「Med-PaLM Multimodal（Med-PaLM M）をご紹介します：柔軟にエンコードし、解釈するバイオメディカルデータの大規模なマルチモーダル生成モデル」

Introducing Med-PaLM M a large-scale multimodal generation model for encoding and interpreting biomedical data flexibly.

大規模言語モデル（LLM）は、医療、金融、教育、ソーシャルメディアなど、ほとんどの領域で進化しています。医療業界の臨床医は、高品質なケアを提供するためにさまざまなデータソースに頼っています。このカテゴリの情報には、臨床ノート、検査結果、バイタルサインと観察、医療写真、およびゲノミクスデータなどのモダリティが含まれます。バイオメディカル人工知能（AI）の分野では、常に進歩がありますが、現在使用されているAIモデルの大部分は、単一のタスクでのみ作業し、単一のモダリティからのデータを分析することに制限されています。

よく知られている基礎モデルは、医学的AIを完全に変革する機会を提供し、これらのモデルは自己監督学習または教師なし学習目的を使用して膨大なデータ量で訓練されるため、コンテキストに基づいた学習またはフューショットファインチューニングを通じて、さまざまな活動や環境に対応するように調整されます。複雑な構造を持つさまざまなモダリティからのデータを理解し、さまざまな医療上の困難に対処するための統合されたバイオメディカルAIシステムが現在開発されています。そのようなモデルは、基礎的なバイオメディカル研究から患者の治療に至るまで、あらゆる領域に影響を与えると予想されています。

研究者は、汎用のバイオメディカルAIシステムを作成するために取り組んでいます。Google ResearchとGoogle DeepMindの研究者チームは、このバイオメディカルAIシステムの開発を支援するために、MultiMedBenchという14の異なるバイオメディカル活動から成るユニークなベンチマークを紹介しました。これらの活動は、医学的な質問に答えること、皮膚科および乳房造影画像の分析、放射線学レポートの作成と要約、および遺伝子変異の同定など、さまざまな難易度をカバーしています。

• 「BI-LSTMを用いた次の単語予測のマスタリング：包括的なガイド」
• 「研究論文メタデータの簡単な説明」
• 「Scikit-Learnクラスを使用したカスタムトランスフォーマを作成するためのシンプルなアプローチ」

著者らは、Med-PaLM Multimodal（Med-PaLM M）と呼ばれる概念実証を提供しています。これは、臨床言語、医療画像、遺伝子データなど、さまざまな柔軟性レベルで多様な種類のバイオメディカルデータを理解しエンコードできる大規模なマルチモーダル生成モデルです。最先端のモデルと比較して、Med-PaLM MはMultiMedBench評価でカバーされるすべてのタスクで競争力のあるまたはさらに高いパフォーマンスを達成しています。Med-PaLM Mは、専門モデルよりも多くの場合において顕著に優れたパフォーマンスを示しました。

チームはまた、いくつかの特徴的なMed-PaLM Mの能力も共有しています。彼らは、タスク間のポジティブな転移学習や医療概念やタスクへのゼロショット一般化など、モデルの能力を証明しています。このAIシステムは、特に明示的にトレーニングされていない医療状況に関して意思決定ができるゼロショットの医療推論の新たな能力を示しています。これらの励ましの結果にもかかわらず、一般的なバイオメディカルAIシステムが実用的な環境で使用される前に、さらなる作業が必要であるとチームは強調しています。それにもかかわらず、公開された結果は、これらのシステムの大幅な前進を示し、AIを活用した医療ソリューションの将来に期待を抱かせます。

チームは、以下のように貢献をまとめています。

1. この研究は、広範な生物学的データへのアクセスがトレーニングおよび実用時のパフォーマンスの検証において依然として問題であるが、汎用的なバイオメディカルAIシステムの医学的応用の可能性を示している。

1. MultiMedBenchは、さまざまなバイオメディカルモダリティをカバーする14の異なるタスクを持つユニークなベンチマークである。タスク固有の修正を必要としない、初のマルチタスキング汎用バイオメディカルAIシステムであるMed-PaLM Mが紹介されている。

1. このAIシステムは、新しい医療概念への一般化やゼロショットの医療推論など、新たな能力を示している。

1. Med-PaLM Mの出力についての人間のレビューにより、胸部X線報告書の作成など、臨床的な有用性が示されている。

1. 平均的なミスが少ないため、放射線科医は最大40.50%のケースでMed-PaLM Mの報告書を放射線科医の報告書よりも好む。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!