劍橋華人團隊搞出多模態醫學大模型！單個消費級顯卡就能部署，借鑒斯坦福「羊駝」而來

十三 2023-04-15 14:40:31 來源：量子位

衡宇 發自 凹非寺

量子位 | 公眾號 QbitAI

ChatGPT、AutoGPT能干那么些事，好想知道大模型啥時候才能看病，救我本人狗命？

帶視覺的多模態醫學基礎大模型，它來啦～

名為Visual Med-Alpaca，官宣即開源。

這個專為生物醫學領域設計的基礎模型，構建于LLaMa-7B之上，還在一定程度上借鑒了Visual-ChatGPT和Alpaca（羊駝）。

因為參數量相對較小，所以使用單個消費級GPU就能輕松部署和運行。

給小羊駝披上白大褂的背后團隊，主要成員來自劍橋大學語言技術實驗室（CambridgeLTL，Language Technology Lab at the University of Cambridge），以及一位MIT背景的中國小哥。

披上白大褂的羊駝

披上白大褂的小羊駝，望聞問切的實際效果如何？

帶著疑問，我們把同樣的考題（根據模態能力）丟給了Visual Med-Alpaca、Glass AI（提供診斷和臨床建議的生成式AI應用）、VQA Medical Model（醫學影像語言模型）、MOSS以及GPT-4。

看X光片能力

既然是多模態LLM，測試時自然不能放過這部分。

丟給他一張胸部X光片，并且提問：X光片顯示了這人有啥毛病？該咋辦？

Visual Med-Alpaca給出的答案是這樣的：

在胸部X光片中看到的雙側浸潤和雙側胸腔積液，可能表明呼吸道感染或其他呼吸系統疾病，例如肺炎肺水腫或胸腔積液，重要的是咨詢醫療專業人員以進行正確診斷和治療計劃。

而參賽選手中另一名能讀圖看病的VQA Medical Model，回答就兩個字：

褥瘡（the decubitus）。

提供用藥建議

鑒于能夠讀圖看病的LLM應用太少，后續測試都只采用純文字模式。

第一個問題：我頭發掉到快禿了，有啥藥可以救救孩子？

Visual Med-Alpaca列出了5種藥物，順帶解釋了一下用法和對應病癥。

• 1、米諾地爾：一種用于頭皮以促進頭發生長的藥物。
• 2、非那雄胺：一種口服藥物，可減緩二氫睪酮 (DHT) 的產生，DHT 是一種可導致脫發的激素。
• 3、皮質類固醇：可涂抹在頭皮上以減輕炎癥和促進毛發生長的外用藥物。
• 4、蒽林：一種應用于頭皮的藥物，通過刺激滋養毛囊的血細胞的產生來促進頭發生長。
• 5、酮康唑：一種應用于頭皮的藥物，用于治療可導致脫發的真菌感染。在使用任何這些化學物質治療脫發之前。
• 請務必咨詢醫療保健專業人員，因為它們可能有潛在的副作用并且可能并不適合所有人。

（感覺有人跟我一樣需要，所以特地翻譯后列出，狗頭.jpg）

Glass AI對這個問題的回答，給出的診療方案是米諾地爾和非那雄胺。

深孚眾望的ChatGPT，也給出了5種用藥：

（由于一些不可描述的原因，對第3種表示婉拒了哈）

第二個問題：如何檢測2型糖尿病？

Visual Med-Alpaca給出了5種測試辦法，包括空腹血糖測試、口服葡萄糖耐量測試等。

Glass AI給出的建議包含了此前的5種方案，然后額外有一種脂質譜。

ChatGPT給出的測試辦法少了一種，但也舉例了多種方法。

體驗結果來看，Visual Med-Alpaca在醫學領域確實普遍表現更好，Glass AI也很有不錯的表現，但吃虧在無法進行多模態的生成。

Visual Med-Alpaca

而從技術層面來看，Visual Med-Alpaca構建于Meta開源的LLaMa-7B之上，是比較輕量級的一個模型，易于本地化部署，并降低微調成本。

據團隊成員解釋，整個模型還參考了Visual-ChatGPT和Alpaca。也就是說，整個模型及其架構層面沒有太大創新。

基于這個問題，團隊成員對量子位的回答是：

畢竟全天下basically Transformer，哈哈哈哈哈哈。

Visual Med-Alpaca的整體工作原理，就是使用prompt管理器，將文本和視覺兩種模態的信息合并到prompt中，從而生成具有生物醫藥專業知識的回答。

首先，圖像input被送入類型分類器，識別出把視覺信息轉換為中間文本格式的適當模塊，然后加入文本input，用于后續推理過程。

為了讓醫學圖像更適合輸入，這一步涉及了集成視覺基礎模型DEPLOT和Med-GIT。

然后，prompt管理器從圖像和文本input中提取到的文本信息，合并到Med-Alpaca的prompt中，最后生成具有生物醫學領域專業知識的回答。

訓練過程中，為了更好地讓生物醫學知識和視覺模態在LLaMA-7B中結合，團隊使用了兩個不同的數據集進行微調。

一個是54000個生物醫學示例問答對組成的模型生成數據集，負責執行標準微調和低秩自適應?（LoRA）?微調；另一個是Radiology Objects in Context?（ROCO）?數據集，在其上微調了Microsoft GIT模型，用來合并視覺模態。

這里還運用了GPT-3.5-turbo的NLP能力，從各種醫學數據集中收集、查詢，最后綜合生成更符合人類對話習慣的結構化答案。

在體驗過程中不難發現，所有的回答最后，Visual Med-Alpaca都會附上一句叮囑，大致內容是：

“鑒于風險因素的存在，可以結合你的個人健康史去看看醫生哈～”

究其緣由，團隊解釋這是一個學術合作項目，而非商業化模型。

團隊強調，為Visual Med-Alpaca評估劃定能力邊界非常重要。模型雖然通過insruct-tuning，對整體的專業性進行了增強，讓模型在生物醫療領域更傾向于保守作答，但無法完全避免大模型的幻覺現象。

所以開源頁中也加粗標出了“Visual Med-Alpaca嚴格用于學術研究，在任何國家都沒有合法批準將其用于醫療用途”。

2名劍橋老師+4名華人小哥

Visual Med-Alpaca項目背后，是兩位劍橋老師和四名華人小哥。

帶隊老師是CambridgeLTL聯合主任、劍橋NLP教授Nigel Collier，他在NLP和AI領域研究25年有余，現在也是艾倫圖靈研究所研究員。

共同一作Chang Shu，CambridgeLTL博一在讀，導師是Nigel Collier。此前，他在愛丁堡大學完成本碩學業。

目前的研究領域集中在LLM的安全性和可解釋性方面。

共同一作Baian Chen，本科畢業于MIT計算機系，從事AI方向的研究。他的目前身份是Ruiping Health創始人。

Fangyu Liu，CambridgeLTL博三在讀，師從Nigel Collier。在進入劍橋大學攻讀碩士學位之前，他在滑鐵盧大學就讀計算機科學本科。

Zihao Fu，CambridgeLTL助理研究員、博士后，同樣是Nigel Collier的學生。在此之前，他博士畢業于香港中文大學，師從Wai Lam教授；本碩階段則就讀于北京航空航天大學。

以及還有一位Ehsan Shareghi，他是劍橋大學的兼職講師，同時是莫納什大學數據科學與人工智能系的助理教授，之前有在倫敦大學電氣與電子工程系的工作經歷。

研究興趣包括探究和增強預訓練大模型。

GitHub：https://github.com/cambridgeltl/visual-med-alpaca/tree/main/code
參考鏈接：https://cambridgeltl.github.io/visual-med-alpaca/