让 ChatGPT 考执医，成绩居然这么好：碾压 70% 医生！复旦最新研究
本文作者：Origami
让人工智能上临床，你是不觉得还很遥远：最多，也就做个导诊、打个辅助吧。
然而就在本月，复旦大学和马萨诸塞大学的一项预印本研究，让 ChatGPT-4V 这个最新模型，参加了一场执医考试，还得到了在所有考试中都呈碾压式优秀表现的惊人结果。
——这碾压 70% 医学生的成绩，可能让很多即将成为医生的医学生直呼：「汗流浃背了老弟」。
参加执医考试，竟碾压了 70% 的医学生
这篇在 medRxiv 预印版发表的论文，题为 Performance of Multimodal GPT-4V on USMLE with Image: Potential for Imaging Diagnostic Support with Explanations，研究团队利用生成式多模态预训练模型 GPT-4V (vision) ，探索了该模型在临床考试中回答的准确性和解释质量。
该研究主要测试的 AI 模型，是近两年来最火热的 Chat Generative Pre-trained Transformer（ChatGPT）的相关产品。
ChatGPT 甫一面世，就成为了不少学者、学生的辅助，甚至用它完成课题、论文。但 AI 的局限性也显而易见——除了常常为人诟病的认知以外，只能读取和生成文本，还有无法处理如图像等其他数据模式的局限性。
而最新的 GPT-4V 却有所不同，它具有视觉处理/理解能力。既然如此，GPT-4V 是否有介入临床，分析医学图像的能力呢？
为了回答这个问题，研究者们决定让这些 AI 参加一次执医考试，并回答每道题的答题思路、做出解释。
该研究使用的执医考试题型十分全面，涉及不同医学领域，且难度各异。研究使用来自美国医学执照考试（USMLE）、医学生考试题库（AMBOSS）和诊断放射学资格核心考试（DRQCE）的三套共计 226 道选择题（28 个医学领域）来考 GPT-4V、GPT-4 和 ChatGPT。
值得注意的是，考试题目均包含有图像内容。
通过图像附加上下文（即患者信息）和问题，研究者将多项选择提供给 GPT-4V。对于无法分析图像的 ChatGPT 与 GPT-4，则采用省略图像的单纯问答形式（如下图）。
图源：文献 1
此外，研究者们让医疗专业人士评估 GPT-4V 的解释是否违背医学常识，并在 GPT-4V 做错时收集反馈、进一步训练。
结果显示，GPT-4V 在所有考试中都表现出碾压式的优秀表现。
对于 USMLE 样题的所有试题（包括无图像的试题），GPT-4V 在 Step1、Step2 和 Step3 中的准确率分别为 88.2%、90.8%、92.7%，远远高于 ChatGPT 和 GPT-4。
在带有图像的医学执照考试题上，GPT-4V 也表现出了很高的准确率。研究者估算，与准备考试的学生相比 GPT-4V 的大致排名能达到前 20～30% 的水平。
图源：文献 1
接着针对 AMBOSS，研究进一步将试题按难易程度分为 1～5 级，分别代表学生在第一次作答时最容易答对的 20%、20～50%、50～80%、80～95% 和 95～100% 的试题。
此时让医疗专业人士为 AI 做难度提示。GPT-4V 难度提示下准确率为 86%，不提示为 63%。随着难度增加，不给提示时 GPT-4V 表现变差，而提示时则下降并不明显。
但无论有没有提示，GPT-4V 的准确性总体上都优于医学生，并且题越难，优势越明显。
图源：文献 1
接着，研究者进一步评估用户对 GPT-4V 生成的解释，和专家人工解释的评价。结果，当 GPT-4V 正确回答时，生成的解释质量与专家的接近，甚至还会根据信息的有无，产生自己的判断。
例如对于第一张图中的考题，因为细菌性肺炎和肺栓塞都有咳嗽等症状，超 70% 的学生第一次都回答错误。而 GPT-4V 则正确地解释了带有汉普顿驼峰放射学征象的影像结果，侧重怀疑肺梗塞。
而当研究者去掉图像这一信息，再次提问时，GPT-4V 则在保留肺栓塞怀疑的同时，将答案切换为细菌性肺炎。
这种变化证明了 GPT-4V 确实是通过吸纳影像结果的分析，来回答这个问题。
而研究中对一高血压病例的提问也佐证了，GPT-4V 能够根据 CT 扫描图像、化验单和病人症状等其他信息，提供鉴别诊断和后续检查的建议。
进化版 ChatGPT，能让医生失业吗？
由这项研究可见，GPT-4V 在带有图像的医学执照考试题上，展现了非凡的准确率，在临床决策支持方面似也具备无穷的潜力。而这种优势，在某种程度上对于未来的医生而言，可能不仅是辅助，确有可能达到取而代之的地位。
毕竟一个优秀医生的培养周期是以数年为单位的，而大数据团队对于 AI 工具的喂养可能仅要数月。
也许很多人会想问：不久的将来，医生是否会像曾经的接线员、打字员、电报员一样，被科技发展所迭代彻底失去饭碗呢？
首先，根据这篇文献的解释，这种忧虑似乎为时尚早。
GPT-4V 回答错误并不罕见，而且此时生成的解释质量很差。
本研究中，图像误解依然是回答错误的主要原因，占到 76.3%，只有 10 个（18.2%）错误归因于文本误解。显而易见，即便是 GPT-4V，处理图像的能力还是远远落后于文本。
图源：文献 1
此外，GPT-4V 倾向于产生事实上不准确的响应，这也是目前 AI 工具的通病，仍然需要额外的医生审查才能保证可靠性。
其次，在实际的应用中，AI 的适配性也将面临长期的挑战。
英国林肯郡 NHS 系统医生史蒂夫表示，在英国的诊疗系统中，对于 AI 的使用一直保持着谨慎态度：「一方面我们的工作得益于 AI 工具产生的高效，一方面我们也忧虑着 AI 是否会造成数据泄露的风险。」
辽宁省某三甲医院医务科负责人陈良则认为：临床诊疗是一个繁琐的过程，从问诊治疗到康复随访，AI 的作用可能会在一个环节上发挥奇效，但并不是在每一个环节都有着颠覆性的作用。
「说句不好听的，如果 AI 真的取代了医生，万一出现医疗事故，我们追责是追究谁呢？是 AI 医生吗？还是说 AI 背后的工程师和设计者呢？」
策划：云也｜监制：carollero
题图来源：视觉中国
参考资料
[1]https://www.medrxiv.org/content/10.1101/2023.10.26.23297629v3.full
丁香园是面向医疗从业者的专业平台，以「助力中国医生」为己任。在丁香园，可以和同行讨论病例 ，在线学习公开课，使用用药助手等临床决策工具，在丁香人才找可靠医疗岗位。