Google AMIE: AI-læge lærer at “se” medicinske billeder

Google tager endnu et skridt inden for medicinsk kunstig intelligens med den seneste udvikling i deres AMIE (Articulate Medical Intelligence Explorer) projekt. AMIE, et forskningsbaseret AI-system designet til diagnostisk ræsonnement og samtale, har nu fået evnen til at tolke visuel medicinsk information, hvilket bringer den tættere på at fungere som en virtuel læge, der kan “se” og forstå medicinske billeder.

Forestil dig at chatte med en AI om et helbredsproblem, hvor den ikke kun behandler dine beskrivelser, men også kan analysere et billede af et bekymrende udslæt eller forstå et EKG-udskrift. Dette er netop, hvad Google sigter mod med denne nye, multimodale kapacitet i AMIE.

Medicinsk diagnostik involverer ofte en kombination af patienthistorik, samtale og visuelle data som røntgenbilleder, scanninger eller dermatologiske billeder. For at en AI for alvor kan assistere i denne proces, er det afgørende, at den kan håndtere og korrelerer information fra forskellige kilder – herunder billeder.

For at træne og evaluere AMIE’s nye evner har Google udviklet et detaljeret simuleringsmiljø. Dette miljø skaber naturtro patientcases ved at kombinere realistiske medicinske billeder og data fra datasæt som PTB-XL EKG-databasen og SCIN dermatologiske billedsæt med plausible patienthistorier genereret ved hjælp af Googles Gemini-model.

I en kontrolleret undersøgelse blev AMIE’s præstation sammenlignet med menneskelige primære sundhedspersoner. Læger evaluerede AI’en på en række parametre, herunder kvaliteten af anamneseoptagelse, diagnostisk nøjagtighed, forslag til håndtering af tilstanden, kommunikationsevner, empati og ikke mindst evnen til at tolke visuel information.

Resultaterne af denne sammenligning var bemærkelsesvælske. Ifølge Google klarede AMIE sig ikke bare godt; i mange tilfælde overgik den de menneskelige læger i undersøgelsens kontrollerede miljø. AI’en blev vurderet til at være bedre end de primære sundhedspersoner til at tolke de multimodale data, der blev delt under samtalerne. Den opnåede også højere score for diagnostisk nøjagtighed, idet specialistlæger vurderede AMIE’s differentialdiagnoselister (en rangeret liste over mulige tilstande) som mere nøjagtige og komplette baseret på casespecifikationerne. Specialistlæger, der gennemgik transkriptionerne, havde en tendens til at bedømme AMIE’s præstation højere på tværs af de fleste områder.

Denne udvikling markerer et vigtigt skridt hen imod AI-systemer, der kan forstå og bearbejde den komplekse og varierede information, der kendetegner medicin. Selvom AMIE stadig er et forskningsprojekt, åbner dens evne til at “se” medicinske billeder for spændende muligheder for fremtidig assistance til sundhedspersonale og potentielt forbedret diagnostik og patientbehandling. Yderligere forskning og validering i kliniske omgivelser er dog nødvendig, før systemer som AMIE kan implementeres bredt i sundhedsvæsenet.