当前位置:首页 > 报告详情

构建可信医学大模型的路线图.pdf

上传人: 哆哆 编号:186293 2024-11-01 14页 1.95MB

1、R Ro oa ad dmma ap p t to o t tr ru us st tw wo or rt th hy y mme ed di ic ca al l L LL LMMs s2 20 02 24 4年年6 6月月1 16 6日日B Be en ny yo ou u WWa an ng g1YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024落地场景分诊预问诊问诊(诊断、开处方)体检报告解读随访心理疾病预警和干预医学常识咨询医学信息检索保健咨询慢病管理医疗

2、影像医疗资源优化医疗文本处理YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP20243Challenge:医疗大模型的评估困难Guiming Hardy Chen,Shunian Chen,Ruifei Zhang,Junying Chen,Xiangbo Wu,Zhiyi Zhang,Zhihong Chen,Jianquan Li,Xiang Wan,Benyou Wang.ALLaVA:Harnessing GPT4V-synthesized Data for A

3、Lite Vision-Language Model.https:/arxiv.org/abs/2402.11684华佗GPTGPT-4QwenYSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024Chat like a doctorAccuracy of professional knowledge Medical diagnosis and clinical decision makingWe are picking the low-hanging lycheeHu

4、atuoGPTHuatuoGPT-IIPass some examsChallenge:鲁棒的医疗诊断和医疗决策任重道远YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP20245Select a well-defined problemDesterata:-不与医生竞争,服务医生-评估客观简单可复现-更大的受众,可以服务更广泛的社会-achievable in a few yearsYSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNL

5、P2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP20246Standpoint:LLM for Doctors not as DoctorsWenya Xie,et.al.Benyou Wang。LLMs as for Doctors:Leveraging Medical LLMs to Assist Doctors,Not Replace Them。in ProgressYSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP2024YSSNLP20247Prob

6、lem Definition Definition:-Given a user with implicit/emplicit information-Goal:predict a label(分类任务:科室/开药/诊断)-Key-The system could actively ask followup questions to reduce uncertainty-The user could lose patience if with too many interactions科室分类是一个最容易来验证的场景!作为一个GMAI的sandboxYSSNLP2024YSSNLP2024YSS

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
本文概述了医疗大型语言模型(LLMs)的发展路线图,旨在构建值得信赖的医疗AI工具。关键点包括: 1. **落地场景**:模型将应用于分诊、预问诊、问诊、体检报告解读、随访、心理疾病预警、医学信息检索等多方面。 2. **面临的挑战**:医疗大模型的评估困难,需要解决诊断和决策的鲁棒性问题。 3. **方法论**:选择明确定义的问题,如Desterata,旨在辅助医生而不是取代他们,目标是在几年内实现广泛的社会服务。 4. **问题定义**:系统通过预测用户信息下的标签(如科室/开药/诊断)来工作,能够主动提问以减少不确定性。 5. **技术进展**:通过RAG原生训练和外部知识源增强模型,内化医疗规则和合成数据,提高解释性和多模态信息处理能力。 6. **工具应用**:使用医学知识库、指导、常识和医学LLM,以神经符号方式构建具有确定性符号知识的医疗代理。 7. **用户模拟器**:通过用户模拟器PlatoLM进行多轮对话,以合成数据注入知识,提高生成质量。 8. **研究方向**:探索链式诊断机制以提高诊断的解释性,并将医学视觉知识注入多模态LLMs。 本文强调了在医疗AI领域的持续研究进展,并提出了实现这些目标的具体策略和挑战。作者还提到了招聘研究助理和博士生的信息,表明该项目正在积极进行中。
如何评估医疗大模型的可靠性? 医疗LLM如何助力医生而不是取代他们? 医疗多模态信息如何融入LLM模型?
客服
商务合作
小程序
服务号
折叠