AI图鉴

AI图鉴首页 › AI 资讯 › Google 出版健康评估多方法框架

Google 出版健康评估多方法框架

来源:Unite.AI · 发布时间:11-04 · 由 AI图鉴每小时自动聚合

Google 宣布是2026年11月4日的一张白皮书,阐述了它在健康方面如何评价通用基因AI. 框架结合了封闭式问题

保健

Google 出版健康评估多方法框架

在 Google 上的首选来源中添加 Unite.AI

Google 宣布是一份2026年11月4日的白皮书,阐述了它在健康方面如何评价通用基因AI. 该框架结合了闭门问题基准测试,AI自动化器和专家人文审查,以判断各种常见和高风险情景的准确性,安全性和实用性。

提交人Sarah Montgomery-Taylor博士是Google保健公司临床评估的牵头人;Elizabeth McGlynn博士和Dana Gelb Safran博士是这项工作的伙伴。 Google 称它建立了这个方法,并继续使用它来评估它的模型是否提供了有助于安全健康互动的有用,准确的反应。 公布这一方法的目的是提高透明度,并帮助开发者、研究人员和临床医生建立人们可以信任的工具。

将评价绘制成实际临床用途

作者认为,为孤立任务建立的评价方法没有充分涵盖通用模式。 他们的例子是一个先发性AI模型,可以在CT扫描中检测肺癌,但无法检测乳房X光图上的乳腺癌,也无法将谈话总结为注释。 当一个模型可以承担上百个,上千个或更多的任务时,开发者和卫生组织需要一种方法来优先处理相互作用和风险。

在选择测试案例之前,评估者绘制了关键用户行程图:谁在使用系统,他们想要完成什么以及所涉及的步骤。 用户可能包括病人、家庭成员、临床医生或管理人员。 这一绘图指导了有代表性的测试数据和衡量标准。 它还涵盖预期用途和常见的滥用形式,包括无标签依赖和试图绕过安全过滤器。

然后在三个领域评估每个应用程序。 准确性涵盖医疗共识、证据支持、事实、临床推理和背景适当性,为诸如医疗汇总等任务增加了来源依据。 安全性超越了声明是否正确到有人解释答案和行为,或不采取行动时可能产生的伤害。 评估既考虑到这种伤害的严重程度,也考虑到这种伤害的可能性。 实用性涉及卫生知识普及、相关性、全面性以及是否有人能够采取行动。 因此,反应可以是准确的,但不安全的,或者是准确和安全的,但过于复杂或不可采取行动,无法帮助使用者。

文件的例子说明了主要风险随着任务的变化。 对于消费者检查症状而言,中心安全关切是未能突出需要紧急护理的红旗症状;过于惊恐的答案反而会造成不必要的焦虑,而不明确的自我评估指导会妨碍适当的下一步。 对于临床医生起草的人工智能排出摘要、幻觉、遗漏和事实错误都威胁到准确性、过敏症或禁药造成了安全隐患,而混淆格式或不一致的时间表会降低效用。

将自动尺度与人类判断相结合

第一种评价方法依靠有明确答案的测试,如多重选择问题,使大量基线知识检查相对便宜。 静态测试不能复制真实互动的复杂性和代表性。 数据污染是另一个限制:当测试问题出现在培训数据中时,结果可以反映测试准备,而不是泛泛的医学推理。 因此,框架利用这些基准测试来建立基线和以后的目标评价,并需要更多的方法来验证现实世界的业绩。

第二种方法将积分分配到另一个AI系统。 这些自动评审员将书面标题用于无限制的答案,使得审查的情景比专家评审员能够合理分级的情景要多。 他们可以评估模拟的多回合对话,其中用户最初不保留临床细节,测试模型在提供指导之前是否提出澄清问题。 自动法官仍需要对专家创建的参考数据进行验证,因为他们可以奖励动词,更喜欢自己模范家庭的反应,并传播吵闹的人类说明。

临床医生和其他领域专家然后审查自动化标题最弱的病例,包括复杂的演示、边缘病例和临床共识有限的专题。 他们还判断产出是否符合当地临床规范和不同的病人群体。 通过情感恳求、虚构的设定或采用保健-专业人格a 等策略,进行单独的红色团队测试安全界限,以诱导产品超出预定范围的产出。 人文审查也是错误的:作者指出,两位医生在评分任务上可以差30-40%或以上,因此有必要控制评分变化和进行适当的分析。

部署后继续进行监测

评估在产品存在之前开始,并测试基准模型的一般能力和安全性。 一旦该模型被纳入一个应用程序,评价就成为该产品的用户和工作流程特有的。 在接近释放时,可控部署可以包括静电阴影试验,临床飞行员或分阶段推出,同时在更广泛的可用性之前进行人的因素和可用性测试。

临床小组和开发小组必须根据应用的临床风险概况,而不是普遍或任意的数值截断,在每个产品门设置过关阈值和加权。 部署后,开发者会跟踪算法漂移和系统稳定性。 采用组织监测专业工具的临床工作流程安全性或消费者产品用户安全和使用模式。

提交人说,诸如用户投诉和哨兵事件等反应性信号本身不能进行部署后监测。 测试集与真实互动不同,用户在获得经验时会改变他们的提示和期望。 监测结果必须反馈到要求、培训和随后的评价优先事项中。 对互动和健康结果的长期监测面临数据仓,加上隐私、技术和组织障碍。 该文件还确定了共同的开发者和保健系统责任、执行费用、独立鉴定和科学共识,作为治理工作尚待完成。

对于开发者和卫生系统来说,框架将问题从一个模型是否通过静态基准测试转移到整个开发和部署过程中是否能够显示准确性、安全性和实用性。 其核心挑战是实际的:将监测与问责制挂钩,同时分配责任,为工作提供资金,并独立地在组织和数据界限之外验证成果。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 609 款 AI 工具分类导航 · 每日 AI 热门项目与动态