“清华首个AI医院小镇来了！AI医生自进化击败人类专家” “AI医疗带来革命性改变！数天诊完1万名患者，效率惊人”

```html

【新智元导读】清华团队竟把医院搬进了AI世界!首个AI医院小镇——Agent Hospital，可以完全模拟医患看病的全流程。更重要的是，AI医生可以自主进化，仅用几天的时间治疗大约1万名患者。

斯坦福AI小镇曾火遍了全网，25个智能体生活交友，堪称现实版的「西部世界」。

而现在，AI「医院小镇」也来了!

最近，来自清华团队的研究人员开发了一个名为「Agent Hospital」的模拟医院。

论文地址:https://arxiv.org/pdf/2405.02957

在这个虚拟世界中，所有的医生、护士、患者都是由LLM驱动的智能体，可以自主交互。

它们模拟了整个诊病看病的过程，包括分诊、挂号、咨询、检查、诊断、治疗、随访等环节。

而在这项研究中，作者的核心目标是，让AI医生学会在模拟环境中治疗疾病，并且能够实现自主进化。

由此，他们开发了一种MedAgent-Zero系统，能够让医生智能体，不断从成功和失败的病例积累经验。

值得一提的是，AI医生可以在几天内完成对1万名患者的治疗。

而人类医生需要2年的时间，才能达到类似的水平。

另外，进化后的医生智能体，在涵盖主要呼吸道疾病的MedQA数据集子集上，实现高达93.06%的最新准确率。

不得不说，AI进化在虚拟世界中默默进化，真有淘汰人类之势。

有网友表示，「AI模拟将探索人类根本没有时间，或能力探索的道路」。

想象一下，数千家全自动化医院，将会拯救数百万人的生命。这很快就会到来。

首个AI医院登场？

其实，智能体，早已成为业界看好的一个领域。

不论是在虚拟世界中的模拟，还是能够解决实际任务（比如Devin）的智能体，都将给我们世界带来巨变。

然而，这些多智能体通常用于「社会模拟」，或者「解决问题」。

那么，是否有将这两种能力结合起来的智能体?

也就是说，社会模拟过程能否，提升LLM智能体在特定任务的表现?

受此启发，研究人员开发了一个几乎涵盖所有医学领域的治疗流程的模拟。

AI患者如何看病?

与真实世界看病的流程一样，当患者生病后，就会去医院挂号就诊。

在此期间，它们还会经历一系列阶段，包括检查、分诊、会诊、诊断、治疗。

患者在拿到治疗方案后，LLM会帮助预测患者的健康状况变化。一旦康复，它便会主动向医院汇报进行随访。

如下是Kenneth Morgan前往医院就诊的示意图。

首先是，分诊护士Katherine Li对Morgan进行了初步的评估，并将他分诊到皮肤科就诊。

随后，Morgan在医院柜台进行登记，被安排与皮肤科医生Robert Thompson进行会诊。

在完成规定的体检之后，AI医生为Morgan开出药物治疗，并敦促回家休息，同时还要监测病情的改善情况。

在模拟环境中，研究人员希望训练一个熟练的医生智能体，来处理诸如诊断、治疗等医疗任务。

传统的方法是，将巨量的医学数据喂给LLM/智能体，经过预训练、微调、RAG之后，以构建强大的医学模型。

最新研究中，作者提出了一种新策略——在虚拟环境中模拟医患互动，来训练医生智能体。

在这个过程中，研究人员没有使用手动标记数据，因此最新系统被命名为MedAgent-Zero。

医生智能体的训练

这一策略包含了两个重要的模块，即「病历库」和「经验库」。

诊疗成功的案例被整理，并存储在病历库中，作为今后医疗干预的参考。

而对于治疗失败的情况，AI医生有责任反思、分析诊断不正确的原因，总结出指导原则，作为后续治疗过程中的警示。

简言之，MedAgent-Zero可以让生智能体通过与患者智能体互动。

通过积累成功案例的记录，和从失败案例中获得经验，进化成更优秀的「医生」。

以上结果表明，模拟环境可以有效地帮助LLM智能体在处理特定任务时完成进化。

MedAgent-Zero在使用GPT-3.5时，比SOTA方法Medprompt高出2.78%，在使用GPT-4时比SOTA方法MedAgents高出1.39%。

局限性与未来展望

最后，研究人员还提到了这项研究的局限性。

- 只采用GPT-3.5作为Agent Hospital和评估的模拟器

- 由于智能体之间的交互及其演化涉及API调用，AI医院的运作效率受到LLM生成的限制

- 每个患者的健康记录和检查结果，是在没有领域知识的情况下，模拟真实的电子健康记录生成的，但仍与现实世界的记录仍存在一些差异。

在未来，研究者们对Agent Hospital的计划将会包括:

第一，扩大规模覆盖的疾病范围，延伸到更多的医疗科室，旨在反映真实医院提供的全面服务，以供进一步研究。

第二，在加强智能体社会模拟方面，比如纳入医疗专业人员的全面晋升制度、随时间改变疾病的分布、纳入病人的历史病历等。

第三，优化基础LLM的选择和实施，旨在通过利用功能强大的开源模型，更高效地执行整个模拟过程。

参考资料:

https://x.com/emollick/status/1787896361276571660

非常感谢您的观看！如果您对这个话题有任何想法或问题，请及时留下评论！同时，请关注我们的频道以获取更多有趣的内容，并点赞分享这篇文章。

```

本文链接：https://www.24zzc.com/news/171524919072803.html