一种由纽约州立大学布法罗分校（UB）的生物医学信息学研究人员开发的强大临床人工智能工具，在美国医学执照考试（USMLE）的所有三个部分中展示了卓越的准确性。这项研究结果于今日（2025年4月22日）在《JAMA Network Open》杂志上发表。
根据论文的主要作者、UB雅各布斯医学院和生物医学科学学院生物医学信息学系主任彼得·L·埃尔金博士（Peter L. Elkin, MD）的说法，语义临床人工智能（SCAI，发音为“Sky”）在美国医学执照考试中的得分超过了大多数医生和其他所有已知的人工智能工具。埃尔金博士还是一位UBMD内科医生。
埃尔金表示，SCAI是迄今为止最准确的临床人工智能工具，其最新版本在美国医学执照考试第三步中得分为95.2%，而GPT4 Omni工具在同一测试中的得分为90.5%。
“作为医生，我们习惯于使用计算机作为工具，但SCAI不同；它可以根据自己的推理来补充你的决策和思考。”埃尔金说。
该工具可以回答临床医生或公众提出的医疗问题，网址为https://halsted.compbio.buffalo.edu/chat/。
研究人员对这一模型进行了测试，以评估其在全国范围内要求医师执照的USMLE考试中的表现。USMLE考试评估了医生应用知识、概念和原则的能力，以及展示基本的以患者为中心的技能。任何包含视觉成分的问题都被排除在外。
埃尔金解释说，大多数人工智能工具通过统计方法在线数据中找到关联来回答问题。“我们称这些工具为生成式人工智能，”他说。“有些人认为它们只是抄袭网上的内容，因为它们给出的答案是其他人写过的。”然而，这些人工智能模型现在正在成为护理伙伴，而不仅仅是临床医生在其实践中使用的简单工具。
“但SCAI可以回答更复杂的问题，并进行更复杂的语义推理，”他说，“我们创建的知识来源能够以人们在医学院培训时学习的方式进行推理。”
团队从他们之前开发的自然语言处理软件开始，添加了大量的权威临床信息，这些信息来自广泛的不同来源，包括最近的医学文献、临床指南、基因组数据、药物信息、出院建议、患者安全数据等。任何可能有偏见的数据，如临床笔记，均未被包括在内。
SCAI包含1300万条医学事实，以及这些事实之间所有可能的相互作用。团队使用基本的临床事实，即语义三元组（主语-关系-宾语，例如“青霉素治疗肺炎链球菌性肺炎”）来创建语义网络。然后，该工具可以表示这些语义网络，从而从中得出逻辑推论。
“我们已经教会大型语言模型如何使用语义推理，”埃尔金说。
其他有助于SCAI的技术包括知识图谱，设计用于发现医学数据中的新联系和以前“隐藏”的模式，以及检索增强生成，使大型语言模型能够在响应提示之前访问和整合外部知识数据库的信息。这减少了“虚构”，即人工智能工具总是会回应提示，即使它没有足够的信息来支持。
埃尔金补充说，使用形式语义来指导大型语言模型提供了重要的上下文，这对于SCAI理解并更准确地回应特定问题至关重要。
“SCAI与其他大型语言模型不同，因为它可以与你对话，并作为人机合作的一部分，基于自己的推理来补充你的决策和思考，”埃尔金说。
他总结道：“通过向大型语言模型添加语义，我们赋予了它们类似于我们在实践循证医学时进行推理的能力。”
由于可以访问大量数据，SCAI还有潜力提高患者安全、改善医疗服务的可及性，并“民主化专科护理”，埃尔金说，通过使初级保健提供者甚至患者能够获取有关专科和亚专科的医疗信息。
尽管SCAI的功能令人印象深刻，但埃尔金强调其角色将是辅助而不是取代医生。
“人工智能不会取代医生，”他说，“但使用人工智能的医生可能会取代不使用人工智能的医生。”
除了埃尔金外，UB生物医学信息学系的合著者还包括Guresh Mehta、Frank LeHouillier、Melissa Resnick博士、Crystal Tomlin博士、Skyler Resendez博士和Jiaxing Liu。罗斯威尔公园综合癌症中心的Sarah Mullin博士，以及退伍军人事务部的Jonathan R. Nebeker博士和Steven H. Brown博士也是合著者。
该研究得到了美国国立卫生研究院和退伍军人事务部的资助。
(全文结束)
声明：本文仅代表作者观点，不代表本站立场，全文内容涉及AI跨语种自动翻译。如有侵权请联系我们删除。