Fugu-MT 論文翻訳(概要): Plug-and-Play Medical Dialogue System

論文の概要: Plug-and-Play Medical Dialogue System

arxiv url: http://arxiv.org/abs/2305.11508v1
Date: Fri, 19 May 2023 08:18:24 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 15:37:10.545850
Title: Plug-and-Play Medical Dialogue System
Title（参考訳）: プラグアンドプレイ医療対話システム
Authors: Chengfeng Dou, Zhi Jin, Wenping Jiao, Haiyan Zhao, Zhenwei Tao, Yongqiang Zhao
Abstract要約: 大規模言語モデル(LLM)による適切な対話行動を容易にするプラグイン・アンド・プレイ医療対話システムを提案する。 PGモジュールは、グローバルとローカルの両方の観点から対話情報をキャプチャするように設計されている。 RRモジュールは細調整されたSLMを応答フィルタとして組み込み、LLMが生成する適切な応答を選択する。
参考スコア（独自算出の注目度）: 15.236185595609395
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical dialogue systems aim to provide accurate answers to patients, necessitating specific domain knowledge. Recent advancements in Large Language Models (LLMs) have demonstrated their exceptional capabilities in the medical Q&A domain, indicating a rich understanding of common sense. However, LLMs are insufficient for direct diagnosis due to the absence of diagnostic strategies. The conventional approach to address this challenge involves expensive fine-tuning of LLMs. Alternatively, a more appealing solution is the development of a plugin that empowers LLMs to perform medical conversation tasks. Drawing inspiration from in-context learning, we propose PlugMed, a Plug-and-Play Medical Dialogue System that facilitates appropriate dialogue actions by LLMs through two modules: the prompt generation (PG) module and the response ranking (RR) module. The PG module is designed to capture dialogue information from both global and local perspectives. It selects suitable prompts by assessing their similarity to the entire dialogue history and recent utterances grouped by patient symptoms, respectively. Additionally, the RR module incorporates fine-tuned SLMs as response filters and selects appropriate responses generated by LLMs. Moreover, we devise a novel evaluation method based on intent and medical entities matching to assess the efficacy of dialogue strategies in medical conversations more effectively. Experimental evaluations conducted on three unlabeled medical dialogue datasets, including both automatic and manual assessments, demonstrate that our model surpasses the strong fine-tuning baselines.
Abstract（参考訳）: 医療対話システムは、特定のドメイン知識を必要とする患者に正確な回答を提供することを目的としている。近年のLarge Language Models (LLMs) の進歩は、医学的Q&A領域におけるその例外的な能力を実証しており、常識の深い理解を示している。しかし, LLMは診断戦略が欠如しているため, 直接診断には不十分である。この課題に対処する従来のアプローチは、高価なllmの微調整を伴う。あるいは、より魅力的なソリューションは、llmが医療会話タスクを実行できるプラグインの開発である。 In-context Learning からインスピレーションを得た PlugMed は,LLM による適切な対話動作を容易にするプラグイン・アンド・プレイ型医療対話システムであり,プロンプト生成 (PG) モジュールと応答ランキング (RR) モジュールである。 PGモジュールは、グローバルとローカルの両方の観点から対話情報をキャプチャするように設計されている。患者の症状によってグループ化された対話履歴と最近の発話との類似性を評価することで、適切なプロンプトを選択する。さらに、RRモジュールは細調整されたSLMを応答フィルタとして組み込み、LLMが生成する適切な応答を選択する。さらに,医療対話における対話戦略の有効性をより効果的に評価するために,意図に基づく新しい評価手法と医療機関を考案する。自動評価と手動評価の両方を含む3つのラベルなしの医療対話データセットで行った実験評価により,本モデルが強力な微調整基準を超えることが示された。

関連論文リスト

Exploring LLM-based Data Annotation Strategies for Medical Dialogue Preference Alignment [22.983780823136925]
本研究は、医療対話モデルを改善するために、AIフィードバック(RLAIF)技術を用いた強化学習(Reinforcement Learning)について検討する。医療におけるRLAIF研究の主な課題は、自動評価手法の限界である。標準化された患者診査に基づく新しい評価枠組みを提案する。
論文参考訳（メタデータ） (2024-10-05T10:29:19Z)
RuleAlign: Making Large Language Models Better Physicians with Diagnostic Rule Alignment [54.91736546490813]
本稿では,大規模言語モデルと特定の診断規則との整合性を考慮したルールアラインフレームワークを提案する。患者と医師間の規則に基づくコミュニケーションを含む医療対話データセットを開発した。実験の結果,提案手法の有効性が示された。
論文参考訳（メタデータ） (2024-08-22T17:44:40Z)
Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-29T23:19:28Z)
MedInsight: A Multi-Source Context Augmentation Framework for Generating Patient-Centric Medical Responses using Large Language Models [3.0874677990361246]
大きな言語モデル(LLM)は、人間のような応答を生成する素晴らしい能力を示している。我々は,LLM入力を関連背景情報で拡張する新しい検索フレームワークMedInsightを提案する。 MTSamplesデータセットの実験は、文脈的に適切な医療応答を生成するMedInsightの有効性を検証する。
論文参考訳（メタデータ） (2024-03-13T15:20:30Z)
MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway Encoding [48.348511646407026]
本稿では,知識向上と臨床パスウェイ符号化フレームワークを用いた医療対話について紹介する。このフレームワークは、医療知識グラフを介して外部知識増強モジュールと、医療機関および医師の行動を介して、内部臨床経路をコードする。
論文参考訳（メタデータ） (2024-03-11T10:57:45Z)
AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文参考訳（メタデータ） (2024-02-15T06:46:48Z)
Integrating Physician Diagnostic Logic into Large Language Models: Preference Learning from Process Feedback [19.564416963801268]
プロセスフィードバックから選好学習というアプローチを提案する。 PLPFは医師の診断ロジックをLSMに統合する。 PLPFは医療会話におけるベースラインモデルの診断精度を17.6%向上させる。
論文参考訳（メタデータ） (2024-01-11T06:42:45Z)
Generating medically-accurate summaries of patient-provider dialogue: A multi-stage approach using large language models [6.252236971703546]
効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
論文参考訳（メタデータ） (2023-05-10T08:48:53Z)
Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。医療対話生成のためのエンドツーエンドの変分推論手法を提案する。行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文参考訳（メタデータ） (2021-05-13T04:14:35Z)
MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
論文参考訳（メタデータ） (2020-10-15T03:34:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。