Разработка Google ИИ для работы с пациентами: беседа с докторами Аланом Картикесалингамом и Анилом Палепу

Группа исследователей из Google DeepMind разработала систему искусственного интеллекта AMIE (Articulate Medical Intelligence Explorer), способную проводить клинические беседы с пациентами. Система обучалась с помощью синтетических диалогов между врачом и пациентом, генерируемых большими языковыми моделями.

Техническая архитектура AMIE

Система построена на основе многоагентного подхода с четырьмя ролями: врач, пациент, критик и модератор. Каждую роль исполняла модель PaLM. Врач и пациент вели диалог, модератор определял завершение беседы, а критик анализировал качество работы врача и давал обратную связь для улучшения.

Ключевое открытие: синтетические данные оказались эффективнее реальных транскриптов врачебных консультаций. Реальные записи содержали много шума — паузы, обрывки фраз, отвлечения на внешние события. Синтетические диалоги позволили точно настроить распределение клинических случаев и обеспечить более широкий охват состояний благодаря интеграции с поиском медицинской информации.

Валидация через OSCE

Исследователи адаптировали формат объективного структурированного клинического экзамена (OSCE) для текстовых консультаций. AMIE тестировали на способность собирать анамнез, проявлять эмпатию и устанавливать контакт с пациентами-актерами на уровне врачей первичного звена.

Система продемонстрировала способность вести многоходовые диалоги, чего базовые модели PaLM изначально не умели. Обучение через самоигру с критической обратной связью позволило модели освоить стиль диагностической беседы.

Принципы разработки ИИ для медицины

Алан Картикесалингам подчеркнул важность мышления с первых принципов при создании медицинского ИИ. Команда последовательно исследовала фундаментальные вопросы: какие знания закодированы в системах, как эти знания можно применять эмпатично и в диалоге, для каких целей.

Медицина представляет собой длинный хвост распределения — даже обычные состояния могут проявляться множеством способов у разных пациентов. Это делает синтетические данные особенно ценными, поскольку позволяют охватить вариативность, недоступную в ограниченных наборах реальных данных.

Ограничения и будущие направления

Текущая версия AMIE работает только в текстовом чат-формате, что существенно ограничивает применимость. Команда подчеркивает необходимость осторожной интерпретации результатов и избегания преждевременного хайпа.

В эпоху нативно мультимодальных моделей Gemini необходимость специализированной подготовки моделей снижается — многие задачи можно решать с помощью базовых моделей.

Перспективы применения

Анил Палепу прогнозирует, что к 2030 году AMIE сможет работать в естественном разговоре, обладать экспертизой во всех специальностях и выполнять большинство ролей, не требующих физического вмешательства. В течение пяти лет система может достичь уровня, при котором ИИ будет формулировать план лечения, а клиницист — утверждать его.

Учитывая глобальный дефицит доступа к качественной медицинской экспертизе, полуавтономные системы типа AMIE могут стать технологически осуществимыми, хотя остаются регуляторные и логистические барьеры.

📌 Основные выводы для практикующих врачей:

• Синтетические данные могут превосходить реальные медицинские транскрипты для обучения ИИ-систем благодаря меньшему количеству шума и лучшему покрытию клинических случаев

• Многоагентный подход с критической обратной связью эффективен для обучения ИИ медицинскому диалогу

• Формат OSCE адаптируется для валидации ИИ-систем, взаимодействующих с пациентами

• Текущие ограничения (только текст, отсутствие физического осмотра) требуют осторожной интерпретации результатов

• Развитие мультимодальных моделей снижает потребность в специализированной подготовке для медицинских задач