Capacidades de los Modelos Gemini en Medicina

Capabilities of Gemini Models in Medicine

April 29, 2024

Autores: Khaled Saab, Tao Tu, Wei-Hung Weng, Ryutaro Tanno, David Stutz, Ellery Wulczyn, Fan Zhang, Tim Strother, Chunjong Park, Elahe Vedadi, Juanma Zambrano Chaves, Szu-Yeu Hu, Mike Schaekermann, Aishwarya Kamath, Yong Cheng, David G. T. Barrett, Cathy Cheung, Basil Mustafa, Anil Palepu, Daniel McDuff, Le Hou, Tomer Golany, Luyang Liu, Jean-baptiste Alayrac, Neil Houlsby, Nenad Tomasev, Jan Freyberg, Charles Lau, Jonas Kemp, Jeremy Lai, Shekoofeh Azizi, Kimberly Kanada, SiWai Man, Kavita Kulkarni, Ruoxi Sun, Siamak Shakeri, Luheng He, Ben Caine, Albert Webson, Natasha Latysheva, Melvin Johnson, Philip Mansfield, Jian Lu, Ehud Rivlin, Jesper Anderson, Bradley Green, Renee Wong, Jonathan Krause, Jonathon Shlens, Ewa Dominowska, S. M. Ali Eslami, Claire Cui, Oriol Vinyals, Koray Kavukcuoglu, James Manyika, Jeff Dean, Demis Hassabis, Yossi Matias, Dale Webster, Joelle Barral, Greg Corrado, Christopher Semturs, S. Sara Mahdavi, Juraj Gottweis, Alan Karthikesalingam, Vivek Natarajan

cs.AI

Resumen

La excelencia en una amplia variedad de aplicaciones médicas plantea desafíos considerables para la IA, requiriendo razonamiento avanzado, acceso a conocimientos médicos actualizados y comprensión de datos multimodales complejos. Los modelos Gemini, con sólidas capacidades generales en razonamiento multimodal y de contexto extenso, ofrecen posibilidades emocionantes en medicina. Basándonos en estas fortalezas centrales de Gemini, presentamos Med-Gemini, una familia de modelos multimodales altamente capacitados especializados en medicina, con la capacidad de utilizar de manera fluida la búsqueda web y que pueden adaptarse eficientemente a nuevas modalidades mediante codificadores personalizados. Evaluamos Med-Gemini en 14 benchmarks médicos, estableciendo un nuevo estado del arte (SoTA) en 10 de ellos, y superamos a la familia de modelos GPT-4 en cada benchmark donde es posible una comparación directa, a menudo por un amplio margen. En el popular benchmark MedQA (USMLE), nuestro modelo Med-Gemini de mejor rendimiento alcanza un SoTA con un 91.1% de precisión, utilizando una novedosa estrategia de búsqueda guiada por incertidumbre. En 7 benchmarks multimodales, incluyendo NEJM Image Challenges y MMMU (salud y medicina), Med-Gemini supera a GPT-4V con un margen relativo promedio del 44.5%. Demostramos la efectividad de las capacidades de contexto extenso de Med-Gemini a través de un rendimiento SoTA en una tarea de recuperación de "aguja en un pajar" a partir de registros de salud desidentificados extensos y en la respuesta a preguntas sobre videos médicos, superando métodos personalizados previos utilizando solo aprendizaje en contexto. Finalmente, el rendimiento de Med-Gemini sugiere utilidad en el mundo real al superar a expertos humanos en tareas como la resumen de textos médicos, junto con demostraciones de un potencial prometedor para el diálogo médico multimodal, la investigación médica y la educación. En conjunto, nuestros resultados ofrecen evidencia convincente del potencial de Med-Gemini, aunque una evaluación rigurosa adicional será crucial antes de su implementación en el mundo real en este dominio crítico para la seguridad.

English

Excellence in a wide variety of medical applications poses considerable challenges for AI, requiring advanced reasoning, access to up-to-date medical knowledge and understanding of complex multimodal data. Gemini models, with strong general capabilities in multimodal and long-context reasoning, offer exciting possibilities in medicine. Building on these core strengths of Gemini, we introduce Med-Gemini, a family of highly capable multimodal models that are specialized in medicine with the ability to seamlessly use web search, and that can be efficiently tailored to novel modalities using custom encoders. We evaluate Med-Gemini on 14 medical benchmarks, establishing new state-of-the-art (SoTA) performance on 10 of them, and surpass the GPT-4 model family on every benchmark where a direct comparison is viable, often by a wide margin. On the popular MedQA (USMLE) benchmark, our best-performing Med-Gemini model achieves SoTA performance of 91.1% accuracy, using a novel uncertainty-guided search strategy. On 7 multimodal benchmarks including NEJM Image Challenges and MMMU (health & medicine), Med-Gemini improves over GPT-4V by an average relative margin of 44.5%. We demonstrate the effectiveness of Med-Gemini's long-context capabilities through SoTA performance on a needle-in-a-haystack retrieval task from long de-identified health records and medical video question answering, surpassing prior bespoke methods using only in-context learning. Finally, Med-Gemini's performance suggests real-world utility by surpassing human experts on tasks such as medical text summarization, alongside demonstrations of promising potential for multimodal medical dialogue, medical research and education. Taken together, our results offer compelling evidence for Med-Gemini's potential, although further rigorous evaluation will be crucial before real-world deployment in this safety-critical domain.