CT-Agent: 临床试验多智能体基于大语言模型的推理
我们提出了一个名为 ArgMed-Agents 的多代理框架,通过相互作用,使基于 LLM 的代理能够进行可解释的临床决策推理。该框架通过自我论证迭代和构建冲突关系的有向图,使 LLMs 能够模仿临床争辩推理的过程,并生成自主解释推理,从而提高复杂临床决策推理问题的准确性并增加用户的信心。
Mar, 2024
提出了一种基于大型语言模型(LLMs)的多学科协作(MC)框架,通过角色扮演的 LLM 代理参与协作多轮讨论,增强 LLM 的能力和推理能力,用于挖掘并利用 LLMs 中的医学专业知识和扩展其推理能力,同时在人类评估中找出常见错误并进行消融研究。
Nov, 2023
研究使用大型语言模型(LLMs)协助患者和转诊医生从广泛的选择中筛选适合的临床试验,并评估了 TrialGPT 在 184 名患者和 18,238 个注释临床试验的实验结果,表明其高准确性和排名排除不合格候选试验的有效性。
Jul, 2023
通过大型语言模型 (LLMs) 在多智能体框架中的运用,模拟临床决策过程并评估其改善诊断准确性的有效性,以应对临床决策中的认知偏差。
Jan, 2024
多模态人工智能系统能够通过解释各种类型的医疗数据来增强临床决策,本研究引入了一种利用大型语言模型作为中央推理引擎的多模态医疗人工智能的替代方法,通过验证该系统在临床肿瘤学场景中的表现,证实了语言模型能够作为专科、以患者为中心的临床助手的有效性。
Apr, 2024
DS-Agent 基于大型语言模型研究数据科学任务自动化,通过利用案例推理框架实现了任务需求理解、机器学习模型构建和训练,并通过低资源部署阶段显著降低了 LLMs 基本能力的要求,从而在性能上取得了最佳排名和显著改进。
Feb, 2024
利用强大的分析、规划和决策能力,以及四个代理的协作,我们提出了一种 TrainerAgent 系统,它由任务、数据、模型和服务器代理组成,通过综合地从数据和模型的角度对用户定义的任务、输入数据和需求进行优化,从而获得满足要求的模型,并将这些模型作为在线服务部署,相较于传统模型开发,我们的系统以增加效率和质量的方式取得了显著进展。
Nov, 2023
这篇论文介绍了 MMCTAgent,这是一个新颖的多模态批判性思维代理框架,旨在解决当前 MLLM 在复杂视觉推理任务中的固有限制。通过从人类认知过程和批判性思维中获得灵感,MMCTAgent 迭代地分析多模态信息,分解查询,计划策略,并动态发展其推理能力。此外,MMCTAgent 还融入了验证最终答案和自我反思的批判性思维元素,通过定义基于视觉的评论员并识别任务特定的评估标准,从而增强其决策能力。通过在各种图像和视频理解基准上进行严格评估,我们证明 MMCTAgent(有和无评论员)优于基础 MLLM 和其他工具增强的流水线。
May, 2024
诊断和治疗患者是一个复杂的、顺序的决策过程,医生需要获取信息并进行相应操作。本研究介绍了 AgentClinic,一个用于评估大型语言模型在模拟临床环境中扮演医生角色能力的多模态基准测试。
May, 2024