362 の一般的な病気の診断を手伝ってください!ケンブリッジ/オックスフォード/ワーウィック大学などは、医療知識グラフを自動的に構築するためのマルチエージェント大規模言語モデル フレームワークを提案しました。
現在、医療資源の不足は世界の医療システムを悩ませている長期的な問題となっており、特にプライマリケアや一般医療の分野で「医師不足」が顕著となっています。世界保健機関は、2030 年までに世界全体で 1,500 万人の医療従事者が不足すると予測しています。国家統計局と国家衛生健康委員会のデータによると、中国では医師全体の数は年々増加しているものの、一部の僻地や農村部では医師の数が大幅に不足している。
階層的な診断と治療は、「医師不足」を緩和するための有効なモデルの1つです。このモデルでは、患者が病院に到着しても自分の問題がどこにあるのか判断できない場合、一般開業医はまず予備検査を行って問題の大まかな方向性を判断し、その後、関連する専門医に紹介します。心臓専門医、神経内科など、さらなる診断と治療を行う - この多層的な連携モデルにより、診断の効率性、包括性、専門性が確保され、専門医の負担が軽減され、専門医師のトレーニングがより的を絞ったものになります。トレーニングサイクルを確立し、医師のリソースを迅速に補充します。
しかし、結局のところ、医師の時間とエネルギーは限られており、人工知能などの先端技術を使用して診断効率を向上させ、それによって医師のリソースへの負担を軽減する方法が業界の焦点となっています。前述の医療の階層的コラボレーション モデルからインスピレーションを得て、ウォリック大学、クランフィールド大学、ケンブリッジ大学、オックスフォード大学の研究チームがKG4Diagnosisを提案しました。これは、一般開業医と専門家が 2 層のアーキテクチャを通じて現実世界で協力する医療システムをシミュレートする新しい階層型マルチエージェント フレームワークであり、医療知識グラフの構築、診断、治療、推論を自動化するために使用されます。既存の問題の克服 362 の一般的な疾患をカバーし、肥満などの複数の医療分野にまたがる医療ナレッジ グラフ構築方法には、スケーラビリティと非構造化データの処理に限界があります。
関連する結果は、「KG4Diagnosis: 医療診断のためのナレッジグラフ強化を備えた階層型マルチエージェント LLM フレームワーク」というタイトルで、トップカンファレンスの AAAI-25 ブリッジ プログラムで発表されました。
公式アカウントをフォローし、バックグラウンドで「医療知識マップ」に返信すると全文PDFが入手できます
MedQA 医療テキストの質問と回答のデータ セット:
オープンソース プロジェクト「awesome-ai4s」は、100 を超える AI4S 論文の解釈をまとめ、大規模なデータ セットとツールを提供します。
https://github.com/hyperai/awesome-ai4s
KG4Diagnosis はどのようにしてこれほど破壊的なのでしょうか?
なぜ研究者たちはKG4Diagnosisを開発したのでしょうか?
これは実際には、医療診断推論の複雑さを解決するために、人工知能を使用して現実世界の階層医療システムをシミュレートできないかというアイデアに由来しています。このようにして、KG4Diagnosis フレームワークが誕生しました。これは、一般開業医大規模言語モデル (GPLLM) と複数のドメイン固有の専門家大規模言語モデル (Consultant-LLM) を統合する階層型マルチエージェント フレームワークです。初期評価とトリアージは次の方法で実行されます。一般開業医 (GP) エージェントが担当し、専門エージェントと連携してドメイン固有の分析が実行されます。
このフレームワークはどのように構築されるのでしょうか?
簡単に言うと以下の5つのステップに分かれます。
(1) 入力された医療テキスト（Medical Text Input）は、ナレッジグラフのコンテキスト制約に従ったデータブロックに分割・処理され、意味論に基づいたエンティティ抽出（Entity Extraction）と関係抽出（Relation Extraction）によって処理されます。モジュール;
(2) 抽出されたエンティティと関係は専用のデータベースに保存されます。
(3) これらのデータベースは、Medical Knowledge Graph を構築するために使用されます。
(4) 医療知識グラフは、大規模言語モデル (LLM) およびマルチエージェント システム (マルチエージェント システム) と組み合わされて、診断推論を強化します。
(5) 診断結果は、人間による推論を通じてユーザー エンドポイントにフィードバックされます。
明らかに、このアプローチは、大規模な言語モデルの広範な能力と専門的な医学知識の正確さを組み合わせて、より高度な診断結果を達成します。研究チームによると、このシステムのトレーニング方法は、広範な医療診断を表す複数の医療専門分野にわたる 362 の一般的な疾患をカバーしています。
実際にこの制度を適用するとどのような効果があるのでしょうか？
以下の図は、研究によって提案された新しいフレームワークが診断プロセスでどのように連携するか、また AI システムが個別の医療アドバイスの提供にどのように役立つかを示しています。患者は症状を説明し、医師は明確な質問をし、AI は説明と推奨事項を提供します。
*患者: 「先生、最近、特に夜に耳鳴りが聞こえます。ブンブンという音が継続的に続いているように感じられ、睡眠と集中力に影響を与えています。」
* 医師: 「耳鳴りはずっと続いていますか、それとも出たり消えたりしますか? 頭痛、難聴、耳痛など、他の症状はありますか?」
* AI: 「不快な思いをさせて申し訳ありません。耳鳴りは、騒音への曝露、耳の感染症、高血圧、ストレスなど、さまざまな要因によって引き起こされます。最近、聴力検査や耳の検査を受けましたか?耳鳴りの重症度と考えられる原因を特定するのに役立ちます。」
以下の図は、肥満分野におけるシステムのナレッジマップの専門性をさらに示しており、肥満、2 型糖尿病、心血管疾患との関連性、それらの一般的な症状、治療法、併存疾患を示し、解決における薬剤の役割を強調しています。複雑な健康問題に。
要約すると、この研究は、マルチエージェント検証とナレッジグラフ制約を通じて、医療診断における大規模言語モデル (LLM) が直面する幻覚の課題に対処し、包括的なベンチマーク テストを通じてこれらのメカニズムの有効性を検証します。同時に、研究者らは現実世界の医療シナリオを通じてこのフレームワークの実用的な価値も実証しており、その将来の応用が期待される。
テクノロジーとアプリケーションが開花します!人工知能支援診断には有望な見通しがある
医学知識の研究進捗状況グラフ
上記の研究チームによって提案された KG4Diagnosis は、ナレッジ グラフ拡張に基づく階層型マルチエージェント大規模言語モデル フレームワークです。いわゆるナレッジ グラフ (KG) は、記号形式を使用して、物理世界における概念とその関係を記述します。
現在、医療知識グラフの構築方法には、従来のルールベースのシステムと高度な人工知能モデルが含まれています。ルールベースのアプローチは信頼性を提供しますが、スケーラビリティに欠けます。一方、GPT や MedPaLM のような言語モデルは、非構造化データから構造化知識を生成する可能性を示しますが、錯覚と精度の問題に直面します。
これらの課題に直面して、多くの研究チームは多方向に研究を行ってきました。たとえば、幻覚を起こしやすい大規模な言語モデルの課題を解決するには、ナレッジ グラフから関連する事実を取得することが有望な方法と考えられています。既存の KG 強化方法では、多くの場合、各事実の複数回の取得と検証が必要となるため、実際のシナリオでの適用が妨げられます。インペリアル・カレッジ・ロンドンの研究チームは、医療分野で少ない検索作業でLLM応答の事実性を高めるための、自己洗練型の拡張ナレッジグラフ検索（Re-KGR）手法を提案した。関連する結果は、「自己洗練強化された知識検索による大規模言語モデルの幻覚軽減」というタイトルで arXiv に公開されました。
同時に、業界は、医療知識グラフを使用して大規模な医療モデルを構築するという画期的な成果も達成しました。たとえば、ベース モデル (FM) は、ラベルのない大量のデータから学習して、幅広いタスクにわたって優れたパフォーマンスを実証できます。しかし、生物医学分野向けに開発された FM はまだ大部分が単モードです。この制限を克服するために、UIUC の研究チームは、ナレッジ グラフを使用して単一モード FM と別の単モード FM 間の関係を学習する BioBRIDGE を提案しました。基礎となるシングルモード FM を微調整する必要はありません。
研究結果は、BioBRIDGE がクロスモーダル検索タスクにおいて最良のベースライン KG 埋め込み法 (平均で約 76.3% 高い) を上回ることができることを示しています。関連する研究結果は「BIOBRIDGE: BRIDGING BIOMEDICAL FOUNDATION MODELS VIA KNOWLEDGE GRAPHS」と題され、ICLR 2024 に受理されました。
人工知能支援診断は効率を向上させ、医師のリソース不足を軽減します。
技術の進歩は最終的には実用化にフィードバックされ、医師の負担を軽減し、診断の精度と効率を向上させることを目的としています。近年、AI は大量の医学知識と臨床データを統合することにより、診断支援において多くの重要な進歩を遂げてきました。
ちょうど2024年11月、AI支援診断が国家医療保険局のプロジェクト設立ガイドラインに初めて盛り込まれた。比較的成熟した人工知能支援技術の臨床応用をサポートし、追加の患者負担を防ぐために、国家医療保険局は人工知能の潜在的な応用シナリオを分析し、放射線検査、超音波検査、リハビリテーションにおける「人工知能支援」の拡大を確立しました。プロジェクトのアイテム。ある意味、これは将来的に AI 支援診断を大規模に適用するための政策基盤を築くことになります。
具体的な応用に関しては、2024年2月に華南理工大学のチームが、データセットトレーニングに基づくAIモデルと眼底カメラなどの一連のハードウェアデバイスを統合したインテリジェントな眼疾患スクリーニングシステムを開発したと発表した。数秒以内に、30 以上の病気に対する診断の提案が表示されます。
2024年6月、OpenAIは公式ウェブサイトのブログで、Color HealthがOpenAIのGPT-4oモデルを使用してAIアシスタント副操縦士を開発し、医師ががん患者のスクリーニングと治療を支援し、それによって治療効率の向上を達成したと述べた。公式に公開されたデータによると、AIアシスタントを導入していない医療機関に比べ、AIアシスタントを導入している医療機関は4倍の病理結果を特定できるという。さらに、AI アシスタントを使用すると、臨床医が患者記録を分析するのにかかる時間は平均 5 分のみですが、AI アシスタントを使用しないとデータが断片化してしまい、数週間の遅れが生じる可能性があります。
さらに、iFlytek Medical は、AI 支援診断を通じて 160 万件の重大な誤診を修正し、6,000 万件の不合理または間違っている疑いのある投薬を検出し、草の根の診断と治療能力を向上させ、誤診や診断ミスを防止したと報告されています。
テクノロジーに基づいて、AI は将来医師の「右腕」となり、医療サービスのアクセシビリティと質を向上させ続けると考えられています。
参考文献:
1.https://arxiv.org/abs/2412.16833
2.https://zh.wikipedia.org/wiki/%E7%9F%A5%E8%AD%98%E5%9C%96%E8%AD%9C
3.https://53ai.com/news/LargeLanguageModel/2024060240513.html
4.https://hub.baai.ac.cn/view/36889
5.https://www.yicai.com/news/102371268.html
6.https://m.yicai.com/news/102153745.html