DeepMind یک سیستم هوش مصنوعی (AMIE) را برای بهینه‌سازی گفتگوهای تشخیصی، معرفی کردند.

تعامل پزشک و بیمار در هسته پزشکی قرار دارد، جایی که شرح حال ماهرانه مسیر تشخیص صحیح، مراقبت موفق و اعتماد طولانی مدت را تعیین می کند. سیستم‌های هوش مصنوعی که قادر به گفتمان تشخیصی هستند می‌توانند دسترسی، ثبات و کیفیت مراقبت را بهبود بخشند. با این حال، شبیه سازی مهارت های پزشک موضوع مهمی است.

این تیم یک محیط گفتگوی شبیه‌سازی شده مبتنی بر بازی خود را با بازخورد خودکار ایجاد کرد تا قابلیت‌های یادگیری AMIE را در شرایط، تنظیمات و تخصص‌های پزشکی متعدد گسترش دهد. آنها همچنین تکنیک های زنجیره استدلال مبتنی بر زمان استنتاج را برای بهبود کیفیت مکالمه و دقت تشخیصی AMIE اجرا کردند. در طول استنتاج آنلاین، تکنیک‌ها به تدریج پاسخ‌های AMIE را بر اساس بحث حاضر اصلاح کردند، که منجر به پاسخ‌های دقیق و پایه‌ای به بیماران در هر نوبت گفتگو شد.

تیم از یک استراتژی تکراری خود-بهبودی متشکل از دو چرخه خودبازی استفاده کرد. حلقه داخلی رفتار خود را بر روی عوامل بیمار هوش مصنوعی بر اساس ورودی منتقد درون متنی تغییر داد، در حالی که حلقه بیرونی شامل مکالمات پالایش شده در چرخه های تنظیم دقیق بعدی بود. برای نشان دادن این بهبود، آنها از رویکرد ارزیابی خودکار در گفتگوهای شبیه سازی شده قبل و بعد از رویه خودبازی استفاده کردند.

این تیم چارچوب AMIE را برای ارزیابی پارامترهای عملکرد بالینی مهم مانند ثبت تاریخچه، دقت تشخیصی، استدلال مدیریت، ارتباطات و درک مطلب توسعه دادند. محققان یک معیار ارزیابی اولیه برای اندازه‌گیری تاریخچه، مهارت‌های ارتباطی، استدلال تشخیصی و درک هوش مصنوعی محاوره‌ای تشخیصی پزشکی، از جمله معیارهای بالینی و بیمار محور ایجاد کردند.

پزشکان متخصص داده ها را بررسی کردند. محققان چندین تجزیه و تحلیل را برای بهبود درک قابلیت‌های AMIE انجام دادند، محدودیت‌های اولیه را شناسایی کردند و مراحل بعدی ضروری را برای ترجمه بالینی AMIE در دنیای واقعی ارائه کردند.

این مطالعه نشان داد که AMIE در 28 محور از 32 محور ارزیابی از دیدگاه پزشک متخصص و 24 از 26 محور ارزیابی از دیدگاه بازیگر بیمار، از PCP ها بهتر عمل کرد. تحت معاینه پزشک متخصص، AMIE دقت تشخیص افتراقی بالاتری را نسبت به PCP ها نشان داد، با بالاترین دستاوردها در تخصص های قلبی عروقی و تنفسی. با توجه به ارزیابی خودکار، AMIE به اندازه PCP ها در جمع آوری داده کارآمد بود. این تیم از روش مشابهی برای تکرار آنالیز دقیق تشخیص افتراقی با ارزیاب‌های خودکار مدل به جای ارزیاب‌های متخصص استفاده کرد و متوجه شد که روند عملکرد ارزیاب خودکار با ارزیابی‌های متخصص علی‌رغم تفاوت‌های جزئی در مقادیر محاسبه‌شده برای دقت، همسو است.