斯坦福AI小鎮(zhèn)曾火遍了全網(wǎng)，25個智能體生活交友，堪稱現(xiàn)實版的「西部世界」。

而現(xiàn)在，AI「醫(yī)院小鎮(zhèn)」也來了！

最近，來自清華團隊的研究人員開發(fā)了一個名為「Agent Hospital」的模擬醫(yī)院。

論文地址：https://arxiv.org/pdf/2405.02957

在這個虛擬世界中，所有的醫(yī)生、護士、患者都是由LLM驅(qū)動的智能體，可以自主交互。

它們模擬了整個診病看病的過程，包括分診、掛號、咨詢、檢查、診斷、治療、隨訪等環(huán)節(jié)。

而在這項研究中，作者的核心目標(biāo)是，讓AI醫(yī)生學(xué)會在模擬環(huán)境中治療疾病，并且能夠?qū)崿F(xiàn)自主進化。

由此，他們開發(fā)了一種MedAgent-Zero系統(tǒng)，能夠讓醫(yī)生智能體，不斷從成功和失敗的病例積累經(jīng)驗。

值得一提的是，AI醫(yī)生可以在幾天內(nèi)完成對1萬名患者的治療。

而人類醫(yī)生需要2年的時間，才能達(dá)到類似的水平。

另外，進化后的醫(yī)生智能體，在涵蓋主要呼吸道疾病的MedQA數(shù)據(jù)集子集上，實現(xiàn)高達(dá)93.06%的最新準(zhǔn)確率。

不得不說，AI進化在虛擬世界中默默進化，真有淘汰人類之勢。

有網(wǎng)友表示，「AI模擬將探索人類根本沒有時間，或能力探索的道路」。

想象一下，數(shù)千家全自動化醫(yī)院，將會拯救數(shù)百萬人的生命。這很快就會到來。

首個AI醫(yī)院小鎮(zhèn)登場

其實，智能體，早已成為業(yè)界看好的一個領(lǐng)域。

不論是在虛擬世界中的模擬，還是能夠解決實際任務(wù)（比如Devin）的智能體，都將給我們世界帶來巨變。

然而，這些多智能體通常用于「社會模擬」，或者「解決問題」。

那么，是否有將這兩種能力結(jié)合起來的智能體？

也就是說，社會模擬過程能否，提升LLM智能體在特定任務(wù)的表現(xiàn)？

受此啟發(fā)，研究人員開發(fā)了一個幾乎涵蓋所有醫(yī)學(xué)領(lǐng)域的治療流程的模擬。

如同單機游戲《主題醫(yī)院》的世界

Agent Hospital中模擬的環(huán)境，主要有兩類主體：一是患者，一是醫(yī)療專業(yè)人員。

它們的角色信息，都是由GPT-3.5生成，可以無限擴展。

比如，下圖中，35歲患者Kenneth Morgan有急性鼻炎，而他的病史是高血壓，目前的癥狀是持續(xù)嘔吐，有些腹瀉、反復(fù)發(fā)燒、腹痛、頭痛，而且頸淋巴結(jié)腫大。

再來看32歲內(nèi)科醫(yī)生Elise Martin，具備了出色的溝通能力，以及富有同理心的護理能力。

她主要的職責(zé)是，為患有各種急性病和慢性病的成年患者提供診斷、治療和預(yù)防保健服務(wù)。

ZhaoLei是一位擅長解讀醫(yī)學(xué)圖像的放射科醫(yī)生，還有前臺接待員Fatoumata Diawara。

下圖中展示的是，Agent Hospital內(nèi)有各種問診室和檢查室，因此需要一系列醫(yī)療專業(yè)智能體工作。

研究人員設(shè)計了，14名醫(yī)生和4名護士。

醫(yī)生智能體被設(shè)計來診斷疾病并制定詳細(xì)的治療計劃，而護理智能體則專注于分診，支持日常治療干預(yù)。

AI患者如何看??？

與真實世界看病的流程一樣，當(dāng)患者生病后，就會去醫(yī)院掛號就診。

在此期間，它們還會經(jīng)歷一系列階段，包括檢查、分診、會診、診斷、治療。

患者在拿到治療方案后，LLM會幫助預(yù)測患者的健康狀況變化。一旦康復(fù)，它便會主動向醫(yī)院匯報進行隨訪。

如下是Kenneth Morgan前往醫(yī)院就診的示意圖。

首先是，分診護士Katherine Li對Morgan進行了初步的評估，并將他分診到皮膚科就診。

隨后，Morgan在醫(yī)院柜臺進行登記，被安排與皮膚科醫(yī)生Robert Thompson進行會診。

在完成規(guī)定的體檢之后，AI醫(yī)生為Morgan開出藥物治療，并敦促回家休息，同時還要監(jiān)測病情的改善情況。

AI醫(yī)生自我超進化，無需手動標(biāo)記數(shù)據(jù)

在模擬環(huán)境中，研究人員希望訓(xùn)練一個熟練的醫(yī)生智能體，來處理諸如診斷、治療等醫(yī)療任務(wù)。

傳統(tǒng)的方法是，將巨量的醫(yī)學(xué)數(shù)據(jù)喂給LLM/智能體，經(jīng)過預(yù)訓(xùn)練、微調(diào)、RAG之后，以構(gòu)建強大的醫(yī)學(xué)模型。

最新研究中，作者提出了一種新策略——在虛擬環(huán)境中模擬醫(yī)患互動，來訓(xùn)練醫(yī)生智能體。

在這個過程中，研究人員沒有使用手動標(biāo)記數(shù)據(jù)，因此最新系統(tǒng)被命名為MedAgent-Zero。

這一策略包含了兩個重要的模塊，即「病歷庫」和「經(jīng)驗庫」。

診療成功的案例被整理，并存儲在病歷庫中，作為今后醫(yī)療干預(yù)的參考。

而對于治療失敗的情況，AI醫(yī)生有責(zé)任反思、分析診斷不正確的原因，總結(jié)出指導(dǎo)原則，作為后續(xù)治療過程中的警示。

簡言之，MedAgent-Zero可以讓生智能體通過與患者智能體互動。

通過積累成功案例的記錄，和從失敗案例中獲得經(jīng)驗，進化成更優(yōu)秀的「醫(yī)生」。

整個自我進化流程如下：

1）積累實例，總結(jié)經(jīng)驗；

2）直接向示例庫添加正確的響應(yīng)；

3）總結(jié)錯誤的經(jīng)驗，并重新測試；

4）將成功經(jīng)驗進一步抽象后，納入經(jīng)驗庫；

5）在推理過程中利用兩個庫檢索最相似的內(nèi)容進行推理。

難得的是，由于訓(xùn)練成本低，效率高，醫(yī)生智能體可以輕松應(yīng)對數(shù)十種情況。

比如，智能體可以在短短幾天內(nèi)處理數(shù)萬個病例，而現(xiàn)實世界的醫(yī)生需要幾年的時間才能完成。

診斷呼吸疾病，準(zhǔn)確率高達(dá)93.06%

接下來，研究人員進行了兩類實驗，來驗證MedAgent-Zero策略改進的醫(yī)生智能體，在醫(yī)院中的有效性。

一方面，在虛擬醫(yī)院內(nèi)，作者們進行了從100-10000個智能體的交互實驗（人類醫(yī)生一周可能會治療約100名病人），涵蓋了8種不同的呼吸疾病、十幾種醫(yī)療檢查，以及每種疾病的三種不同治療方案。

通過MedAgent-Zero策略訓(xùn)練的醫(yī)生智能體，在處理模擬病人的過程中不斷自我進化，最終在檢查、診斷和治療任務(wù)中的準(zhǔn)確率分別達(dá)到了88%、95.6%和77.6%。

隨著樣本的不斷擴增，MedAgent-Zero的訓(xùn)練性能，在達(dá)到一定量時趨于平穩(wěn)。

在檢查、診斷、治療三個任務(wù)方面上的性能，MedAgent-Zero也隨著樣本增加，不斷波動，但整體準(zhǔn)確性呈現(xiàn)出上升趨勢。

診斷呼吸疾病，準(zhǔn)確率高達(dá)93.06%

再看如下三張圖，分別展示了不同疾病的檢查精度、診斷精確度、以及治療精度，隨著樣本的增加，也在平穩(wěn)攀升。

另一方面，研究者讓進化后的醫(yī)生智能體，參加了對MedQA數(shù)據(jù)集子集的評估。

令人驚訝的是，即使沒有任何手動標(biāo)注的數(shù)據(jù)，醫(yī)生智能體在Agent Hospital中進化后，也實現(xiàn)了最先進的性能。

在經(jīng)驗積累上，圖11、圖12和圖13分別顯示了，檢查、診斷和治療任務(wù)中，經(jīng)過驗證經(jīng)驗和錯誤答案的積累。

當(dāng)訓(xùn)練樣本增加時，經(jīng)驗數(shù)和錯誤答案數(shù)都緩慢增加。

如圖所示，經(jīng)驗曲線低于錯誤答案曲線，原因是智能體無法反映所有失敗的經(jīng)驗。此外，診斷經(jīng)驗比其他任務(wù)更容易積累。

一起來看個案例研究。

下表中說明了，經(jīng)驗庫、病理庫和MedAgent-Zero，在患者診療中的三個任務(wù)上的性能。

在得知病人癥狀之后，AI醫(yī)生不僅需要使用病歷庫，同時還需要經(jīng)驗庫，也就是相輔相成。

若是少了其中的一方，便會導(dǎo)致診斷準(zhǔn)確性的下降。

如下，通過添加經(jīng)驗和記錄，MedAgent-Zero針對所有3個任務(wù)都給出了正確的回答。

以上結(jié)果表明，模擬環(huán)境可以有效地幫助LLM智能體在處理特定任務(wù)時完成進化。

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

這一結(jié)果驗證了新模型有助于，在沒有任何MedQA訓(xùn)練樣本的情況下，僅使用模擬文檔和醫(yī)療文檔進行智能體進化，從而有效提高醫(yī)生智能體的醫(yī)療能力。

其次，基于GPT-4的MedAgent-Zero的最佳性能為93.06%，優(yōu)于MedQA數(shù)據(jù)集中的人類專家（約87%）。

第三，基于GPT-4的醫(yī)生智能體比基于GPT-3.5的任何其他方法都表現(xiàn)得更出色，這表明GPT-4在醫(yī)療領(lǐng)域更強大。

另外，在對MedAgent-Zero進行的消融研究中，

同時利用「病歷庫」和「經(jīng)驗庫」的MedAgent-Zero取得了最佳性能，表明這兩個模塊對診斷的幫助。

隨著病例的積累和經(jīng)驗庫的擴大，醫(yī)生智能體準(zhǔn)確率總體上越來越高。

無論是使用GPT-3.5還是 GPT-4，使用8000個病例積累的經(jīng)驗庫，其性能都高于使用2000/4000/6000個病例的性能。

不過，經(jīng)驗庫越大并不總是越好，因為研究者還發(fā)現(xiàn)在2,000-4,000個案例之間有明顯的下降。

局限性

最后，研究人員還提到了這項研究的局限性。

- 只采用GPT-3.5作為Agent Hospital和評估的模擬器

- 由于智能體之間的交互及其演化涉及API調(diào)用，AI醫(yī)院的運作效率受到LLM生成的限制

- 每個患者的健康記錄和檢查結(jié)果，是在沒有領(lǐng)域知識的情況下，模擬真實的電子健康記錄生成的，但仍與現(xiàn)實世界的記錄仍存在一些差異。

在未來，研究者們對Agent Hospital的計劃將會包括：

第一，擴大規(guī)模覆蓋的疾病范圍，延伸到更多的醫(yī)療科室，旨在反映真實醫(yī)院提供的全面服務(wù)，以供進一步研究。

第二，在加強智能體社會模擬方面，比如納入醫(yī)療專業(yè)人員的全面晉升制度、隨時間改變疾病的分布、納入病人的歷史病歷等。

第三，優(yōu)化基礎(chǔ)LLM的選擇和實施，旨在通過利用功能強大的開源模型，更高效地執(zhí)行整個模擬過程。