在该研究中，这个结合视觉编码器和大型语言模型（LLM）的多模态生成式AI助手PathChat的核心组件包括：
视觉编码器：预训练于超过100万张病理学图像，以提取高维图像特征。
多模态投影模块：将视觉特征映射到LLM的嵌入空间，使得视觉和语言信息可以结合处理。
大型语言模型（LLM）：使用13亿参数的Llama 2模型，能够处理复杂的自然语言指令并生成响应。
研究方法与数据集
为训练和评估PathChat，研究团队构建了一个包含456,916条指令的数据集，其中包括999,202次问答回合。数据集来源多样，涵盖了图像说明、PubMed开放获取文章、病理学病例报告和全视野图像的兴趣区域。
此外，研究团队还创建了一个高质量的病理学问答基准（PathQABench），包括从多家医院收集的105例全视野图像。评估方法包括多选诊断问题和开放性问题，分别测试PathChat在病理图像分析和临床背景结合诊断中的表现。
主要结果
多选诊断问题表现：
无临床背景下：PathChat在多选诊断问题中表现优异，准确率达78.1%，显著高于LLaVA 1.5和LLaVA-Med（分别提高52.4%和63.8%，p < 0.001）。
有临床背景下：结合临床背景后，PathChat的准确率进一步提升至89.5%，相较于无临床背景提高了11.4%。
开放性问题回答表现：
PathChat在开放性问题回答中生成的响应被专家评估为更准确和更受欢迎。相较于GPT4V，PathChat在回答病理学相关复杂问题时表现更佳。
在“显微镜检查”和“诊断”类别的问题中，PathChat的准确率分别为73.3%和78.5%，显著高于GPT4V的22.8%和31.6%（p < 0.001）。
专家评估：
专家评估显示，PathChat在多项任务中的表现均优于其他多模态语言模型，包括LLaVA 1.5和LLaVA-Med。在“显微镜检查”和“诊断”类别中，PathChat的表现尤其突出。
PathChat能够辅助病理医生进行更准确的诊断，提高诊断效率并减少误诊风险。其结合视觉和语言的能力使其在处理复杂病例时尤为有效。
该AI助手还可用于医学教育，为病理学培训提供专家级指导，缩小区域医疗差距。
但目前就讨论AI医生替代病理科医生尚早。之前在北京协和医院病理科工作的Dr. Meng认为，90%的准确率仍然太低了。病理学研究员 Lou Vaickus 亦表示，目前仍无法依赖AI助手的诊断。
科研启发： PathChat展示了多模态生成式AI在病理学中的广泛应用前景，未来研究可以进一步优化该模型，如通过人类反馈强化学习（RLHF）降低错误生成。
未来的研究方向还包括支持输入整张全视野图像（WSI），提高在诊断边界性病变时的实用性。
AI助手准确率仍有待提高，也提出了重要而未解决的临床问题：目前阶段如何利用AI助手，未来如何让AI助手的准确率超过病理科医生。
编者按：
随着人工智能的发展，AI医学助手进入到临床已经成为必然。
PathChat作为一个多模态生成式AI助手，展示了其在病理学领域的巨大潜力。通过结合视觉和语言输入，该助手不仅在诊断准确性上表现出色，还在病理学教育和研究中具有重要应用价值。
临床应用：