剑桥华人团队搞出多模态医学大模型！单个消费级显卡就能部署，借鉴斯坦福「羊驼」而来

十三 2023-04-15 14:40:31 来源：量子位

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

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

带视觉的多模态医学基础大模型，它来啦～

名为Visual Med-Alpaca，官宣即开源。

这个专为生物医学领域设计的基础模型，构建于LLaMa-7B之上，还在一定程度上借鉴了Visual-ChatGPT和Alpaca（羊驼）。

因为参数量相对较小，所以使用单个消费级GPU就能轻松部署和运行。

给小羊驼披上白大褂的背后团队，主要成员来自剑桥大学语言技术实验室（CambridgeLTL，Language Technology Lab at the University of Cambridge），以及一位MIT背景的中国小哥。

披上白大褂的羊驼

披上白大褂的小羊驼，望闻问切的实际效果如何？

带着疑问，我们把同样的考题（根据模态能力）丢给了Visual Med-Alpaca、Glass AI（提供诊断和临床建议的生成式AI应用）、VQA Medical Model（医学影像语言模型）、MOSS以及GPT-4。

看X光片能力

既然是多模态LLM，测试时自然不能放过这部分。

丢给他一张胸部X光片，并且提问：X光片显示了这人有啥毛病？该咋办？

Visual Med-Alpaca给出的答案是这样的：

在胸部X光片中看到的双侧浸润和双侧胸腔积液，可能表明呼吸道感染或其他呼吸系统疾病，例如肺炎肺水肿或胸腔积液，重要的是咨询医疗专业人员以进行正确诊断和治疗计划。

而参赛选手中另一名能读图看病的VQA Medical Model，回答就两个字：

褥疮（the decubitus）。

提供用药建议

鉴于能够读图看病的LLM应用太少，后续测试都只采用纯文字模式。

第一个问题：我头发掉到快秃了，有啥药可以救救孩子？

Visual Med-Alpaca列出了5种药物，顺带解释了一下用法和对应病症。

• 1、米诺地尔：一种用于头皮以促进头发生长的药物。
• 2、非那雄胺：一种口服药物，可减缓二氢睾酮 (DHT) 的产生，DHT 是一种可导致脱发的激素。
• 3、皮质类固醇：可涂抹在头皮上以减轻炎症和促进毛发生长的外用药物。
• 4、蒽林：一种应用于头皮的药物，通过刺激滋养毛囊的血细胞的产生来促进头发生长。
• 5、酮康唑：一种应用于头皮的药物，用于治疗可导致脱发的真菌感染。在使用任何这些化学物质治疗脱发之前。
• 请务必咨询医疗保健专业人员，因为它们可能有潜在的副作用并且可能并不适合所有人。

（感觉有人跟我一样需要，所以特地翻译后列出，狗头.jpg）

Glass AI对这个问题的回答，给出的诊疗方案是米诺地尔和非那雄胺。

深孚众望的ChatGPT，也给出了5种用药：

（由于一些不可描述的原因，对第3种表示婉拒了哈）

第二个问题：如何检测2型糖尿病？

Visual Med-Alpaca给出了5种测试办法，包括空腹血糖测试、口服葡萄糖耐量测试等。

Glass AI给出的建议包含了此前的5种方案，然后额外有一种脂质谱。

ChatGPT给出的测试办法少了一种，但也举例了多种方法。

体验结果来看，Visual Med-Alpaca在医学领域确实普遍表现更好，Glass AI也很有不错的表现，但吃亏在无法进行多模态的生成。

Visual Med-Alpaca

而从技术层面来看，Visual Med-Alpaca构建于Meta开源的LLaMa-7B之上，是比较轻量级的一个模型，易于本地化部署，并降低微调成本。

据团队成员解释，整个模型还参考了Visual-ChatGPT和Alpaca。也就是说，整个模型及其架构层面没有太大创新。

基于这个问题，团队成员对量子位的回答是：

毕竟全天下basically Transformer，哈哈哈哈哈哈。

Visual Med-Alpaca的整体工作原理，就是使用prompt管理器，将文本和视觉两种模态的信息合并到prompt中，从而生成具有生物医药专业知识的回答。

首先，图像input被送入类型分类器，识别出把视觉信息转换为中间文本格式的适当模块，然后加入文本input，用于后续推理过程。

为了让医学图像更适合输入，这一步涉及了集成视觉基础模型DEPLOT和Med-GIT。

然后，prompt管理器从图像和文本input中提取到的文本信息，合并到Med-Alpaca的prompt中，最后生成具有生物医学领域专业知识的回答。

训练过程中，为了更好地让生物医学知识和视觉模态在LLaMA-7B中结合，团队使用了两个不同的数据集进行微调。

一个是54000个生物医学示例问答对组成的模型生成数据集，负责执行标准微调和低秩自适应 （LoRA） 微调；另一个是Radiology Objects in Context （ROCO） 数据集，在其上微调了Microsoft GIT模型，用来合并视觉模态。

这里还运用了GPT-3.5-turbo的NLP能力，从各种医学数据集中收集、查询，最后综合生成更符合人类对话习惯的结构化答案。

在体验过程中不难发现，所有的回答最后，Visual Med-Alpaca都会附上一句叮嘱，大致内容是：

“鉴于风险因素的存在，可以结合你的个人健康史去看看医生哈～”

究其缘由，团队解释这是一个学术合作项目，而非商业化模型。

团队强调，为Visual Med-Alpaca评估划定能力边界非常重要。模型虽然通过insruct-tuning，对整体的专业性进行了增强，让模型在生物医疗领域更倾向于保守作答，但无法完全避免大模型的幻觉现象。

所以开源页中也加粗标出了“Visual Med-Alpaca严格用于学术研究，在任何国家都没有合法批准将其用于医疗用途”。

2名剑桥老师+4名华人小哥

Visual Med-Alpaca项目背后，是两位剑桥老师和四名华人小哥。

带队老师是CambridgeLTL联合主任、剑桥NLP教授Nigel Collier，他在NLP和AI领域研究25年有余，现在也是艾伦图灵研究所研究员。

共同一作Chang Shu，CambridgeLTL博一在读，导师是Nigel Collier。此前，他在爱丁堡大学完成本硕学业。

目前的研究领域集中在LLM的安全性和可解释性方面。

共同一作Baian Chen，本科毕业于MIT计算机系，从事AI方向的研究。他的目前身份是Ruiping Health创始人。

Fangyu Liu，CambridgeLTL博三在读，师从Nigel Collier。在进入剑桥大学攻读硕士学位之前，他在滑铁卢大学就读计算机科学本科。

Zihao Fu，CambridgeLTL助理研究员、博士后，同样是Nigel Collier的学生。在此之前，他博士毕业于香港中文大学，师从Wai Lam教授；本硕阶段则就读于北京航空航天大学。

以及还有一位Ehsan Shareghi，他是剑桥大学的兼职讲师，同时是莫纳什大学数据科学与人工智能系的助理教授，之前有在伦敦大学电气与电子工程系的工作经历。

研究兴趣包括探究和增强预训练大模型。

GitHub：https://github.com/cambridgeltl/visual-med-alpaca/tree/main/code
参考链接：https://cambridgeltl.github.io/visual-med-alpaca/