【新智元导读】清华团队竟把病院搬进了 AI 世界！首个 AI 病院小镇 ——Agent Hospital，可以完全仿照医患看病的全流程。更重要的是，AI 大夫可以自主退化，仅用几天的时间医治大约 1 万名患者。
斯坦福 AI 小镇曾火遍了全网，25 个智能体生活交友，堪称现实版的「西部世界」。
而现在，AI「病院小镇」也来了！
最近，来自清华团队的研讨职员开发了一个名为「Agent Hospital」的仿照病院。
论文地址：https://arxiv.org/pdf/2405.02957
在这个虚拟世界中，所有的大夫、护士、患者都是由 LLM 驱动的智能体，可以自主交互。
它们仿照了整个诊病看病的过程，包括分诊、挂号、咨询、查抄、诊疗、医治、随访等环节。
而在这项研讨中，作者的核心目标是，让 AI 大夫学会在仿照环境中医治疾病，并且能够实现自主退化。
由此，他们开发了一种 MedAgent-Zero 系统，能够让大夫智能体，不断从成功和失败的病例积攒教训。
值得一提的是，AI 大夫可以在几天内完成对 1 万名患者的医治。
而人类大夫需要 2 年的时间，才能达到类似的水平。
另外，退化后的大夫智能体，在涵盖主要呼吸道疾病的 MedQA 数据集子集上，实现高达 93.06% 的最新准确率。
不得不说，AI 退化在虚拟世界中默默退化，真有淘汰人类之势。
有网友表示，「AI 仿照将探索人类根本没有时间，或能力探索的道路」。
想象一下，数千家全自动化病院，将会拯救数百万人的生命。这很快就会到来。
首个 AI 病院小镇登场
其实，智能体，早已成为业界看好的一个领域。
不论是在虚拟世界中的仿照，还是能够解决实际恣意（比如 Devin）的智能体，都将给我们世界带来巨变。
然而，这些多智能体通常用于「社会仿照」，或者「解决问题」。
那么，是否有将这两种能力结合起来的智能体？
也就是说，社会仿照过程能否，提升 LLM 智能体在特定恣意的表现？
受此启发，研讨职员开发了一个几乎涵盖所有医学领域的医治流程的仿照。
如同单机游戏《主题病院》的世界
Agent Hospital 中仿照的环境，主要有两类主体：一是患者，一是调理专业职员。
它们的角色信息，都是由 GPT-3.5 生成，可以无限扩展。
比如，下图中，35 岁患者 Kenneth Morgan 有急性鼻炎，而他的病史是高血压，目前的症状是持续呕吐，有些腹泻、反复发烧、腹痛、头痛，而且颈淋巴结肿大。
再来看 32 岁内科大夫 Elise Martin，具备了出色的沟通能力，以及富有同理心的护理能力。
她主要的职责是，为患有各种急性病和慢性病的成年患者提供诊疗、医治和预防保健服务。
ZhaoLei 是一位擅长解读医学图像的放射科大夫，还有前台接待员 Fatoumata Diawara。
下图中展示的是，Agent Hospital 内有各种问诊室和查抄室，因此需要一系列调理专业智能体工作。
研讨职员设计了，14 名大夫和 4 名护士。
大夫智能体被设计来诊疗疾病并制定详细的医治计划，而护理智能体则专注于分诊，支持日常医治干预。
AI 患者如何看病？
与真实世界看病的流程一样，当患者生病后，就会去病院挂号就诊。
在此期间，它们还会经历一系列阶段，包括查抄、分诊、会诊、诊疗、医治。
患者在拿到医治方案后，LLM 会帮助预测患者的健康状况变化。一旦康复，它便会主动向病院汇报进行随访。
如下是 Kenneth Morgan 前往病院就诊的示意图。
首先是，分诊护士 Katherine Li 对 Morgan 进行了初步的评估，并将他分诊到皮肤科就诊。
随后，Morgan 在病院柜台进行登记，被安排与皮肤科大夫 Robert Thompson 进行会诊。
在完成规定的体检之后，AI 大夫为 Morgan 开出药物医治，并敦促回家休息，同时还要监测病情的改善情况。
AI 大夫自我超退化，无需手动标记数据
在仿照环境中，研讨职员希望训练一个熟练的大夫智能体，来处理诸如诊疗、医治等调理恣意。
传统的方法是，将巨量的医学数据喂给 LLM / 智能体，经过预训练、微调、RAG 之后，以构建强大的医学模型。
最新研讨中，作者提出了一种新策略 —— 在虚拟环境中仿照医患互动，来训练大夫智能体。
在这个过程中，研讨职员没有运用手动标记数据，因此最新系统被命名为 MedAgent-Zero。
这一策略包含了两个重要的模块，即「病历库」和「教训库」。
诊疗成功的案例被整理，并存储在病历库中，作为今后调理干预的参考。
而对于医治失败的情况，AI 大夫有责任反思、分析诊疗不正确的原因，总结出指导原则，作为后续医治过程中的警示。
简言之，MedAgent-Zero 可以让生智能体通过与患者智能体互动。
通过积攒成功案例的记录，和从失败案例中获得教训，退化成更优秀的「大夫」。
整个自我退化流程如下：
1）积攒实例，总结教训；
2）直接向示例库添加正确的响应；
3）总结错误的教训，并重新测试；
4）将成功教训进一步抽象后，纳入教训库；
5）在推理过程中利用两个库检索最相似的内容进行推理。
难得的是，由于训练成本低，效率高，大夫智能体可以轻松应对数十种情况。
比如，智能体可以在短短几天内处理数万个病例，而现实世界的大夫需要几年的时间才能完成。
诊疗呼吸疾病，准确率高达 93.06%
接下来，研讨职员进行了两类实验，来验证 MedAgent-Zero 策略改进的大夫智能体，在病院中的有效性。
一方面，在虚拟病院内，作者们进行了从 100-10000 个智能体的交互实验（人类大夫一周可能会医治约 100 名病人），涵盖了 8 种不同的呼吸疾病、十几种调理查抄，以及每种疾病的三种不同医治方案。
通过 MedAgent-Zero 策略训练的大夫智能体，在处理仿照病人的过程中不断自我退化，最终在查抄、诊疗和医治恣意中的准确率分别达到了 88%、95.6% 和 77.6%。
随着样本的不断扩增，MedAgent-Zero 的训练功能，在达到一定量时趋于平稳。
在查抄、诊疗、医治三个恣意方面上的功能，MedAgent-Zero 也随着样本增加，不断波动，但整体准确性呈现出上升趋势。
再看如下三张图，分别展示了不同疾病的查抄精度、诊疗精确度、以及医治精度，随着样本的增加，也在平稳攀升。
另一方面，研讨者让退化后的大夫智能体，参加了对 MedQA 数据集子集的评估。
令人惊讶的是，即使没有任何手动标注的数据，大夫智能体在 Agent Hospital 中退化后，也实现了最先进的功能。
在教训积攒上，图 11、图 12 和图 13 分别显示了，查抄、诊疗和医治恣意中，经过验证教训和错误答案的积攒。
当训练样本增加时，教训数和错误答案数都缓慢增加。
如图所示，教训曲线低于错误答案曲线，原因是智能体无法反映所有失败的教训。此外，诊疗教训比其他恣意更容易积攒。
一起来看个案例研讨。
下表中说明了，教训库、病理库和 MedAgent-Zero，在患者诊疗中的三个恣意上的功能。
在得知病人症状之后，AI 大夫不仅需要运用病历库，同时还需要教训库，也就是相辅相成。
若是少了其中的一方，便会导致诊疗准确性的下降。
如下，通过添加教训和记录，MedAgent-Zero 针对所有 3 个恣意都给出了正确的回答。
以上结果表明，仿照环境可以有效地帮助 LLM 智能体在处理特定恣意时完成退化。
MedAgent-Zero 在运用 GPT-3.5 时，比 SOTA 方法 Medprompt 高出 2.78%，在运用 GPT-4 时比 SOTA 方法 MedAgents 高出 1.39%。
这一结果验证了新模型有助于，在没有任何 MedQA 训练样本的情况下，仅运用仿照文档和调理文档进行智能体退化，从而有效提高大夫智能体的调理能力。
其次，基于 GPT-4 的 MedAgent-Zero 的最佳功能为 93.06%，优于 MedQA 数据集中的人类专家（约 87%）。
第三，基于 GPT-4 的大夫智能体比基于 GPT-3.5 的任何其他方法都表现得更出色，这表明 GPT-4 在调理领域更强大。
另外，在对 MedAgent-Zero 进行的消融研讨中，
同时利用「病历库」和「教训库」的 MedAgent-Zero 取得了最佳功能，表明这两个模块对诊疗的帮助。
随着病例的积攒和教训库的扩大，大夫智能体准确率总体上越来越高。
无论是运用 GPT-3.5 还是 GPT-4，运用 8000 个病例积攒的教训库，其功能都高于运用 2000/4000/6000 个病例的功能。
不过，教训库越大并不总是越好，因为研讨者还发现在 2,000-4,000 个案例之间有明显的下降。
局限性
最后，研讨职员还提到了这项研讨的局限性。
– 只采用 GPT-3.5 作为 Agent Hospital 和评估的仿照器
– 由于智能体之间的交互及其演化涉及 API 调用，AI 病院的运作效率受到 LLM 生成的限制
– 每个患者的健康记录和查抄结果，是在没有领域知识的情况下，仿照真实的电子健康记录生成的，但仍与现实世界的记录仍存在一些差异。
在未来，研讨者们对 Agent Hospital 的计划将会包括：
第一，扩大规模覆盖的疾病范围，延伸到更多的调理科室，旨在反映真实病院提供的全面服务，以供进一步研讨。
第二，在加强智能体社会仿照方面，比如纳入调理专业职员的全面晋升制度、随时间改变疾病的分布、纳入病人的历史病历等。
第三，优化基础 LLM 的选择和实施，旨在通过利用功能强大的开源模型，更高效地执行整个仿照过程。
参考资料：
https://x.com/emollick/status/1787896361276571660
本文来自微信公众号：新智元 （ID：AI_era）