清华团队开发了名为AgentHospital的AI医院小镇模拟系统，完全模拟医患看病全流程。AI医生可自主进化，仅几天可治疗约1万名患者，诊断呼吸疾病准确率高达93.06%。研究采用MedAgent-Zero系统，通过病历库和经验库训练医生智能体，实现高效进化。未来计划扩大疾病范围，加强社会模拟，优化LLM选择。

论文地址：https://arxiv.org/pdf/2405.02957

在这个虚拟世界中，所有的医生、护士、患者都是由LLM驱动的智能体，可以自主交互。

它们模拟了整个诊病看病的过程，包括分诊、挂号、咨询、检查、诊断、治疗、随访等环节。

而在这项研究中，作者的核心目标是，让AI医生学会在模拟环境中治疗疾病，并且能够实现自主进化。

由此，他们开发了一种MedAgent-Zero系统，能够让医生智能体，不断从成功和失败的病例积累经验。

值得一提的是，AI医生可以在几天内完成对1万名患者的治疗。

而人类医生需要2年的时间，才能达到类似的水平。

另外，进化后的医生智能体，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进化在虚拟世界中默默进化，真有淘汰人类之势。

有网友表示，「AI模拟将探索人类根本没有时间，或能力探索的道路」。

想象一下，数千家全自动化医院，将会拯救数百万人的生命。这很快就会到来。

首个AI医院小镇登场

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模拟，还是能够解决实际任务（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「社会模拟」，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，社会模拟过程能否，提升LLM智能体在特定任务的表现？

受此启发，研究人员开发了一个几乎涵盖所有医学领域的治疗流程的模拟。

如同单机游戏《主题医院》的世界

Agent Hospital中模拟的环境，主要有两类主体：一是患者，一是医疗专业人员。

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岁内科医生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断、治疗和预防保健服务。

ZhaoLei是一位擅长解读医学图像的放射科医生，还有前台接待员Fatoumata Diawara。

下图中展示的是，Agent Hospital内有各种问诊室和检查室，因此需要一系列医疗专业智能体工作。

研究人员设计了，14名医生和4名护士。

医生智能体被设计来诊断疾病并制定详细的治疗计划，而护理智能体则专注于分诊，支持日常治疗干预。

与真实世界看病的流程一样，当患者生病后，就会去医院挂号就诊。

在此期间，它们还会经历一系列阶段，包括检查、分诊、会诊、诊断、治疗。

患者在拿到治疗方案后，LLM会帮助预测患者的健康状况变化。一旦康复，它便会主动向医院汇报进行随访。

如下是Kenneth Morgan前往医院就诊的示意图。

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在医院柜台进行登记，被安排与皮肤科医生Robert Thompson进行会诊。

在完成规定的体检之后，AI医生为Morgan开出药物治疗，并敦促回家休息，同时还要监测病情的改善情况。

AI医生自我超进化，无需手动标记数据

在模拟环境中，研究人员希望训练一个熟练的医生智能体，来处理诸如诊断、治疗等医疗任务。

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。

最新研究中，作者提出了一种新策略——在虚拟环境中模拟医患互动，来训练医生智能体。

在这个过程中，研究人员没有使用手动标记数据，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「经验库」。

诊疗成功的案例被整理，并存储在病历库中，作为今后医疗干预的参考。

而对于治疗失败的情况，AI医生有责任反思、分析诊断不正确的原因，总结出指导原则，作为后续治疗过程中的警示。

简言之，MedAgent-Zero可以让生智能体通过与患者智能体互动。

通过积累成功案例的记录，和从失败案例中获得经验，进化成更优秀的「医生」。

整个自我进化流程如下：

1）积累实例，总结经验；

2）直接向示例库添加正确的响应；

3）总结错误的经验，并重新测试；

4）将成功经验进一步抽象后，纳入经验库；

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，医生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，而现实世界的医生需要几年的时间才能完成。

诊断呼吸疾病，准确率高达93.06%

接下来，研究人员进行了两类实验，来验证MedAgent-Zero策略改进的医生智能体，在医院中的有效性。

一方面，在虚拟医院内，作者们进行了从100-10000个智能体的交互实验（人类医生一周可能会治疗约100名病人），涵盖了8种不同的呼吸疾病、十几种医疗检查，以及每种疾病的三种不同治疗方案。

通过MedAgent-Zero策略训练的医生智能体，在处理模拟病人的过程中不断自我进化，最终在检查、诊断和治疗任务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的训练性能，在达到一定量时趋于平稳。

在检查、诊断、治疗三个任务方面上的性能，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。

诊断呼吸疾病，准确率高达93.06%

再看如下三张图，分别展示了不同疾病的检查精度、诊断精确度、以及治疗精度，随着样本的增加，也在平稳攀升。

另一方面，研究者让进化后的医生智能体，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，医生智能体在Agent Hospital中进化后，也实现了最先进的性能。

在经验积累上，图11、图12和图13分别显示了，检查、诊断和治疗任务中，经过验证经验和错误答案的积累。

当训练样本增加时，经验数和错误答案数都缓慢增加。

如图所示，经验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经验。此外，诊断经验比其他任务更容易积累。

一起来看个案例研究。

下表中说明了，经验库、病理库和MedAgent-Zero，在患者诊疗中的三个任务上的性能。

在得知病人症状之后，AI医生不仅需要使用病历库，同时还需要经验库，也就是相辅相成。

若是少了其中的一方，便会导致诊断准确性的下降。

如下，通过添加经验和记录，MedAgent-Zero针对所有3个任务都给出了正确的回答。

以上结果表明，模拟环境可以有效地帮助LLM智能体在处理特定任务时完成进化。

MedAgent-Zero在使用GPT-3.5时，比SOTA方法Medprompt高出 2.78%，在使用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，仅使用模拟文档和医疗文档进行智能体进化，从而有效提高医生智能体的医疗能力。

其次，基于GPT-4的MedAgent-Zero的最佳性能为93.06%，优于MedQA数据集中的人类专家（约87%）。

第三，基于GPT-4的医生智能体比基于GPT-3.5的任何其他方法都表现得更出色，这表明GPT-4在医疗领域更强大。

另外，在对MedAgent-Zero进行的消融研究中，

同时利用「病历库」和「经验库」的MedAgent-Zero取得了最佳性能，表明这两个模块对诊断的帮助。

随着病例的积累和经验库的扩大，医生智能体准确率总体上越来越高。

无论是使用GPT-3.5还是 GPT-4，使用8000个病例积累的经验库，其性能都高于使用2000/4000/6000个病例的性能。

不过，经验库越大并不总是越好，因为研究者还发现在2,000-4,000个案例之间有明显的下降。

局限性

最后，研究人员还提到了这项研究的局限性。

- 只采用GPT-3.5作为Agent Hospital和评估的模拟器

- 由于智能体之间的交互及其演化涉及API调用，AI医院的运作效率受到LLM生成的限制

- 每个患者的健康记录和检查结果，是在没有领域知识的情况下，模拟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，研究者们对Agent Hospital的计划将会包括：

第一，扩大规模覆盖的疾病范围，延伸到更多的医疗科室，旨在反映真实医院提供的全面服务，以供进一步研究。

第二，在加强智能体社会模拟方面，比如纳入医疗专业人员的全面晋升制度、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，更高效地执行整个模拟过程。