Google's Med-Gemini AI overtreft GPT-4 in gezondheidszorg

Google en DeepMind hebben maandag een paper vrijgegeven over Med-Gemini, een groep geavanceerde AI-modellen gericht op gezondheidszorgtoepassingen. De modellen bevinden zich nog in de onderzoeksfase, maar de auteurs beweren dat Med-Gemini concurrerende modellen zoals OpenAI's GPT-4 overtreft. Echter, de laatste blijft niet achter in het medische veld en heeft onlangs zijn samenwerking met Moderna, een groot farmaceutisch bedrijf, uitgebreid.

De opmerkelijke sprong voorwaarts van Med-Gemini, indien gevalideerd in real-world settings, is zijn vermogen om context en tijdelijkheid vast te leggen, zoals potentieel het begrijpen van de achtergrond en setting van symptomen, evenals de timing en volgorde van hun aanvang. Dit is een bekend struikelblok in bestaande gezondheidsgerelateerde AI-modellen.

Het is waar dat wij artsen berucht zijn om onze afkortingen en gebrek aan uniformiteit in documentatie. Desalniettemin is de ware uitdaging bij het trainen van medische algoritmen niet de tekstuele complexiteit, maar eerder de contextuele. Een eenvoudig voorbeeld is een situatie die elke ouder van een peuter goed kent: een bezoek moeten brengen aan een kinderarts voor de koorts en uitslag van je jongere. De dokter zal altijd vragen, wat kwam eerst, de koorts of de uitslag? Verspreidde het zich van het hoofd naar beneden of van de benen omhoog? Deze eenvoudige kenmerken kunnen een milde en zelflimiterende ziekte, zoals Roseola, onderscheiden van een potentieel levensbedreigende, zoals meningokokkenmeningitis.

Deze schijnbaar eenvoudige vragen, met hun multidimensionaliteit en tijdreekskenmerken, kunnen een AI-model volledig van de wijs brengen met de geringste onnauwkeurigheid. Deze exacte contextualiteit lijkt te zijn aangepakt door Med-Gemini door af te stappen van de enorme onderneming om een allesomvattend algemeen medisch model te bouwen. In plaats daarvan hebben de ontwikkelaars van Google een verticale-bij-verticale benadering van gerelateerde modellen aangenomen, aangeduid als een "familie" van modellen, elk optimaliserend voor een specifiek medisch domein of scenario, zoals beeldanalyse op het gebied van radiologie en pathologie, signaalinterpretatie zoals het ontcijferen van elektrocardiogramexamens of lang-contextbegrip zoals het lezen van lange medische dossiers.

Dit heeft volgens onderzoekers geleid tot verbeterde en genuanceerde nauwkeurigheid, en een meer transparante redenering, die enige interpreteerbare feedback biedt, zoals waarom een voorgestelde diagnose de meest waarschijnlijke is. Aangezien van artsen wordt verwacht dat ze op de hoogte blijven van recent onderzoek, lijkt Google Med-Gemini aan dezelfde standaard te houden. Het nieuwe model bevat ook een aanzienlijke extra laag - een webgebaseerde zoekopdracht naar actuele informatie, waardoor data met externe kennis kan worden aangevuld, online resultaten in het model geïntegreerd.

Hoewel Med-Gemini diverse gegevensbronnen heeft benut, zoals fragmenten uit gezondheidsdossiers, röntgenfoto's, foto's van huidlaesies, voorbereidingsvragen voor medische examens en andere, is het nog steeds belangrijk om te onthouden wat nog moet gebeuren: een real-world validatie op daadwerkelijke productie-niveau data in een alledaagse klinische setting, of op zijn minst een prospectieve dubbelblinde gerandomiseerde klinische proef.

Hier is de link naar de paper: Med-Gemini Paper

‍