本文研究在医疗诊断中,如何在数据驱动的医疗诊断对话系统中加入可解释性和适当的决策逻辑,并通过大规模的数据集和透明组件的设计使诊断准确率分别得到7.7%,10.0%和3.0%的提高。
Apr, 2022
本研究提出了一种从文本医学报告中提取结构化表格数据的新方法TEMED-LLM,结合具有解释性的机器学习模型,以在医学诊断中实现端到端可解释性的预测, 较传统的文本分类模型在医学诊断方面具有更好的性能表现。
Jun, 2023
在使用真实的大型电子病历数据库进行两项分析后,发现ChatGPT和GPT-4可以通过思路链和几次提示,准确地完成疾病分类任务,并为卫生保健工作者提供诊断辅助,但是这些模型目前存在错误陈述、忽视重要医学发现、推荐不必要的调查和过度治疗等问题,并伴随有隐私问题,因此仍不适用于现实世界的临床使用。不过,与传统机器学习工作流程的配置相比,这些模型所需的数据和时间较少,突出了它们在卫生保健应用中的可扩展性潜力。
Jul, 2023
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。
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
通过结合医学知识图谱和新颖的图模型Dr.Knows,我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力,从而消除预训练的需要,提高自动诊断生成的准确性。
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
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
本研究针对大型语言模型在复杂临床任务中的可解释性不足问题,提出了诊断推理数据集DiReCT,用于评估LLMs的推理能力和可解释性。该数据集包含511个临床笔记,由医生仔细标注,展现从观察到最终诊断的推理过程。研究发现,现有LLMs与人类医生在推理能力上存在显著差距,显示出在实际临床场景中需要更有效的推理模型。
Aug, 2024
本研究针对大型语言模型在疾病诊断中的应用进行了全面分析,填补了目前研究中对特定疾病和模型技术的探讨不足。论文提出了数据预处理、模型选择和评估策略的指导方针,并概述了当前研究的局限性与未来方向。研究结果为利用大型语言模型进行疾病诊断提供了蓝图,有助于未来研究的系统化和指导。