摘要：根据新文章的报道，由生物医学信息学研究人员开发的强大临床人工智能工具在美国医学许可考试（Step Exams）的所有三个部分中都表现出非常准确的准确性。...

根据今天（4月22日）发表的一篇论文，由大学生物医学信息学研究人员开发的一种强大的临床人工智能工具在美国医学许可考试（步骤考试）上表现出非常准确的精度。JAMA网络开放。

首席作家彼得·埃尔金（Peter Peter L. Elkin）说，与大多数医生和所有其他AI工具相比，在USMLE上取得更高的分数，SCAI（SCAI，发音为“ Sky”）有可能成为医生的关键合作伙伴。

Elkin说，SCAI是迄今为止可用的最准确的临床AI工具，在USMLE的步骤3中，最先进的版本得分为95.2％，而GPT4 OMNI工具在同一测试中得分为90.5％。

他解释说：“作为医生，我们习惯于将计算机用作工具，但是SCAI是不同的；它可以根据自己的推理增加您的决策和思考。”

该工具可以回答临床医生或公众提出的医疗问题。

研究人员对全国许可医生所必需的USMLE进行了测试，该模型评估了医生应用知识，概念和原则的能力，并展示了以患者为中心的基本技能。消除了带有视觉组件的任何问题。

Elkin解释说，大多数AI工具通过使用统计信息来在线数据中找到关联，从而使他们回答问题。他说：“我们称这些工具生成的人工智能。” “有些人认为他们只是在窃互联网上的内容，因为他们给您的答案就是其他人所写的。”但是，这些AI模型现在正在成为护理的合作伙伴，而不是临床医生在实践中使用的简单工具。

他说：“但是Scai回答了更复杂的问题，并执行更复杂的语义推理，我们创建了知识来源，可以更多地推理人们在医学院接受培训时学会推理的方式。”

该团队从他们以前开发过的自然语言处理软件开始。他们添加了大量的权威临床信息，这些信息从最近的医学文献和临床指南到基因组数据，药物信息，出院建议，患者安全数据等广泛不同的来源收集。不包括任何可能存在偏见的数据，例如临床注释。

1300万医学事实

SCAI包含1300万个医学事实，以及这些事实之间的所有可能相互作用。该团队使用了称为语义三元组的基本临床事实（主题相关 - 对象，例如“ Penicillin治疗肺炎球菌肺炎”）来创建语义网络。然后，该工具可以代表这些语义网络，以便可以从中汲取逻辑推断。

埃尔金说：“我们已经教授了大型语言模型如何使用语义推理。”

促成SCAI的其他技术包括旨在在医疗数据中找到新链接以及以前“隐藏”模式的知识图，以及检索功能的生成，这使大型语言模型可以在响应提示之前访问和合并外部知识数据库中的信息。这降低了“串联”，即即使没有足够的信息可以继续使用，AI工具也始终响应提示的趋势。

Elkin补充说，使用正式的语义来告知大型语言模型，为SCAI提供了重要的背景，以了解和对特定问题的响应更准确。

“它可以与您交谈”

埃尔金说：“ SCAI与其他大型语言模型不同，因为它可以与您进行对话，并且作为人力计算机的伙伴关系可以根据自己的推理增加您的决策和思考。”

他总结说：“通过将语义添加到大型语言模型中，我们为他们提供了与练习循证医学相似的推理能力。”

艾尔金说，因为它可以访问如此大量的数据，因此SCAI还具有提高患者安全，改善获得护理的机会并“使专业护理民主化”的潜力。

尽管SCAI的力量令人印象深刻，但Elkin强调其作用将是增加而不是取代医生。

他说：“人工智能不会替代医生，但是使用人工智能的医生可能会替换没有做的医生。”

除了Elkin外，来自生物医学信息学系的UB合着者是Guresh Mehta；弗兰克·勒霍利尔（Frank Lehouillier）；梅利莎·雷斯尼克（Melissa Resnick）博士； Crystal Tomlin博士； Skyler Resendez博士；和Jiaxing Liu。

罗斯威尔公园综合癌症中心的莎拉·穆林（Sarah Mullin）博士和医学博士的乔纳森·R·内贝克（Jonathan R. Nebeker）和退伍军人事务部的史蒂文·布朗（Steven H.

这项工作是由美国国立卫生研究院和退伍军人事务部的赠款资助。