GPT4 可以通过使用诊断推理提示模拟临床医生的常见临床推理过程，而不会损失诊断准确性，因此它可以为医生提供评估 LLMs 是否可信赖用于患者护理的手段。新的提示方法有潜力揭示 LLMs 的黑盒子，将它们推向在医学中安全有效使用的一步。

Aug, 2023

使用大型语言模型（LLMs）自动化医疗任务，如临床记录、信息检索和决策支持。我们提出一种修改的 MedQA-USMLE 数据集，用于模拟真实的临床场景，并探索基于思维链（CoT）推理的主观响应生成，以获取正确的医疗问题答案。我们还利用回报训练机制和人类参与，开发了更好的对比学习策略，并通过增量推理的提示得出贪婪解码方法比其他策略更好的结论。

Mar, 2024

本研究提出了一个用于智能咨询的医疗对话系统，该系统能够与患者进行实时交流，从而提高临床诊断的效率，并实现了中文医疗对话生成的竞赛，提出了一种由实体预测和实体感知式对话生成组成的流水线系统，并使用融合机制将预测的实体添加到对话模型中，在解码阶段，我们提出了一种新的解码机制 Entity-revised Diverse Beam Search（EDBS），以提高实体的正确性以及生成的最终响应长度和质量。提出的方法赢得了 CCKS 和 MLPCP 举办的两项国际医疗比赛，充分证明了我们方法的实用性和有效性。

Aug, 2021

通过仿真临床医生的诊断推理过程来构建与临床医生诊断推理过程相一致的医疗对话系统，提出了一种新颖的 Emulation 框架，通过思维过程建模，生成与临床医生偏好相一致的妥当回应，并且为生成的回应提供明确的解释，增强了在医学咨询中的透明度。

Jun, 2024

通过将思路链式提示（CoT）拓展到医学推理领域，我们提出了诊断推理 CoT（DR-CoT）。实证结果表明，通过仅向仅训练于一般文本语料库的大型语言模型提供两个 DR-CoT 实例来指导，诊断准确性提高了 15%。此外，在领域外情景中，该差距达到显著的 18%。我们的研究结果表明，大型语言模型中可以通过适当的提示引出专家知识推理。

Jul, 2023

通过诊断驱动提示的医学报告生成方法可以提高诊断准确性，并解决自动医学报告生成中的疾病分布不均的问题。

Aug, 2023

通过整合大型多模型，特别是利用 GPT-4V 在检索者和重新排序框架下的能力，本研究提出了一种诊断临床皮肤病例的新方法，实验证明使用 GPT-4V 作为检索代理在检索皮肤病情时能够准确地检索到正确的皮肤状况，同时通过多智能体对话框架进行诊断可提供更早和准确的诊断。

Apr, 2024

使用 Problem Elaboration Prompting（PEP）改善大型语言模型（LLMs）的数学能力，在复杂推理和问题背景理解方面取得了有希望的表现。

Feb, 2024

提出了一种端到端变分推理方法来进行医学对话生成，该方法采用患者状态和医生行为作为潜变量，结合贝叶斯生成方法和半监督推理方法。实现了显式患者状态追踪和医生政策学习，完善医学对话生成的理解和生成能力，并在三个医学数据集上取得了优于最先进方法的成果。

May, 2021

借助基于提示的学习，通过 “推理感知” 的诊断框架实现了对临床推理进行理性化，并能够在时间和劳动资源上具有高效性，从而实现了对疾病诊断的临床推理。

Dec, 2023