論文の概要: Path to Medical AGI: Unify Domain-specific Medical LLMs with the Lowest
Cost
- arxiv url: http://arxiv.org/abs/2306.10765v1
- Date: Mon, 19 Jun 2023 08:15:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 18:36:43.445934
- Title: Path to Medical AGI: Unify Domain-specific Medical LLMs with the Lowest
Cost
- Title(参考訳): 医療agiへの道--低コストでドメイン特化医療llmを統一する
- Authors: Juexiao Zhou, Xiuying Chen, Xin Gao
- Abstract要約: 医療人工知能(英語版) (AGI) は、幅広いタスクや領域において知識を理解し、学習し、適用できるシステムを開発することを目的としている。
大規模言語モデル(LLM)は、AGIに向けた重要なステップである。
ドメイン固有の医療用LLMを低コストで統一するためのパラダイムであるメディカルAGI(MedAGI)を提案する。
- 参考スコア(独自算出の注目度): 18.4295882376915
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Medical artificial general intelligence (AGI) is an emerging field that aims
to develop systems specifically designed for medical applications that possess
the ability to understand, learn, and apply knowledge across a wide range of
tasks and domains. Large language models (LLMs) represent a significant step
towards AGI. However, training cross-domain LLMs in the medical field poses
significant challenges primarily attributed to the requirement of collecting
data from diverse domains. This task becomes particularly difficult due to
privacy restrictions and the scarcity of publicly available medical datasets.
Here, we propose Medical AGI (MedAGI), a paradigm to unify domain-specific
medical LLMs with the lowest cost, and suggest a possible path to achieve
medical AGI. With an increasing number of domain-specific professional
multimodal LLMs in the medical field being developed, MedAGI is designed to
automatically select appropriate medical models by analyzing users' questions
with our novel adaptive expert selection algorithm. It offers a unified
approach to existing LLMs in the medical field, eliminating the need for
retraining regardless of the introduction of new models. This characteristic
renders it a future-proof solution in the dynamically advancing medical domain.
To showcase the resilience of MedAGI, we conducted an evaluation across three
distinct medical domains: dermatology diagnosis, X-ray diagnosis, and analysis
of pathology pictures. The results demonstrated that MedAGI exhibited
remarkable versatility and scalability, delivering exceptional performance
across diverse domains. Our code is publicly available to facilitate further
research at https://github.com/JoshuaChou2018/MedAGI.
- Abstract(参考訳): 医療人工知能(medical artificial general intelligence, agi)は、幅広いタスクやドメインにわたって知識を理解し、学習し、適用する能力を持つ医療アプリケーションに特化したシステムを開発することを目的とした新興分野である。
大規模言語モデル(LLM)はAGIに向けた重要なステップである。
しかし、医療分野でのクロスドメイン LLM のトレーニングは、主に多様なドメインからデータを集めることによる大きな課題を生んでいる。
このタスクは、プライバシーの制限と、公開されている医療データセットの不足により、特に困難になる。
本稿では,ドメイン固有の医療用LLMを低コストで統一するためのパラダイムであるメディカルAGI(MedAGI)を提案する。
医療分野におけるドメイン特化型マルチモーダルllmの増加に伴い,新たな適応的専門家選択アルゴリズムを用いてユーザの質問を解析し,適切な医療モデルを自動的に選択するように設計されている。
医療分野における既存のllmへの統一的なアプローチを提供し、新しいモデルの導入にかかわらず再トレーニングの必要性をなくしている。
この特徴は、動的に進行する医療領域における将来の防御ソリューションとなる。
MedAgiのレジリエンスを明らかにするために,皮膚科診断,X線診断,病理画像解析の3つの異なる領域にまたがって評価を行った。
その結果,メダギは優れた汎用性とスケーラビリティを示し,多様なドメインにまたがる優れた性能を示した。
私たちのコードはhttps://github.com/JoshuaChou2018/MedAGI.comでさらなる研究を促進するために公開されています。
関連論文リスト
- OmniMedVQA: A New Large-Scale Comprehensive Evaluation Benchmark for
Medical LVLM [50.58232769384052]
我々は,新しい包括的ビジュアル質問回答(VQA)ベンチマークであるOmniMedVQAを紹介する。
このベンチマークのすべての画像は、本物の医療シナリオから得られたものです。
既存のLVLMはこれらの医療用VQA問題に効果的に取り組むのに苦労していることがわかった。
論文 参考訳(メタデータ) (2024-02-14T13:51:56Z) - VISION-MAE: A Foundation Model for Medical Image Segmentation and
Classification [36.8105960525233]
医用画像に特化して設計された新しい基礎モデルVISION-MAEを提案する。
VISION-MAEは、様々なモダリティから250万枚の未ラベル画像のデータセットでトレーニングされている。
その後、明示的なラベルを使って分類とセグメンテーションのタスクに適応する。
論文 参考訳(メタデータ) (2024-02-01T21:45:12Z) - From Beginner to Expert: Modeling Medical Knowledge into General LLMs [22.475129648458136]
大規模言語モデル(LLM)に基づく人工知能(AI)システムは、自然言語の理解と生成において顕著な能力を示した。
これらのモデルは、医学的な知識を推論したり、医師のような方法で医学的な疑問に答えたりするといった、繊細な応用に関して重要な課題に直面している。
本研究は、事前訓練された一般LLMモデル(AntGLM-10B)から始まり、医療初心者から医療専門家(AntGLM-Med-10B)に微調整する。
論文 参考訳(メタデータ) (2023-12-02T05:54:06Z) - ChiMed-GPT: A Chinese Medical Large Language Model with Full Training
Regime and Better Alignment to Human Preferences [55.42521181558716]
中国医学領域向けに設計された新しいベンチマークLSMであるChiMed-GPTを提案する。
ChiMed-GPTは、コンテキスト長を4,096トークンに拡大し、事前トレーニング、SFT、RLHFを含む総合的なトレーニング体制を実行している。
情報抽出,質問応答,対話生成などの実世界のタスクの評価は,一般的なドメインLLMよりもChiMed-GPTの方が優れた性能を示している。
論文 参考訳(メタデータ) (2023-11-10T12:25:32Z) - Medical Image Segmentation with Domain Adaptation: A Survey [0.38979646385036165]
本稿では,DLに基づく医用画像セグメンテーションのためのドメイン適応アプローチについて述べる。
まず、まず、ドメイン適応の基礎となるモチベーションと背景知識を示し、医用画像のセグメンテーションにおけるドメイン適応の適用についてレビューする。
我々の目標は、医用画像分割研究における領域適応の適用について、研究者に最新のリファレンスを提供することであった。
論文 参考訳(メタデータ) (2023-11-03T04:17:06Z) - Med-Flamingo: a Multimodal Medical Few-shot Learner [58.85676013818811]
医療領域に適応したマルチモーダル・数ショット学習者であるMed-Flamingoを提案する。
OpenFlamingo-9Bに基づいて、出版物や教科書からの医療画像テキストデータのペア化とインターリーブ化を継続する。
本研究は,医療用VQA(ジェネレーティブ医療用VQA)の最初の人間評価である。
論文 参考訳(メタデータ) (2023-07-27T20:36:02Z) - Artificial General Intelligence for Medical Imaging [62.116506368045606]
本稿では、医療における人工知能(AGI)モデルの可能性について検討する。
我々は,AGIモデルに臨床専門知識,ドメイン知識,マルチモーダル能力を統合することの重要性を強調した。
論文 参考訳(メタデータ) (2023-06-08T18:04:13Z) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-04-26T01:26:19Z) - Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。
MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。
しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
論文 参考訳(メタデータ) (2020-07-14T23:22:04Z) - A Survey on Incorporating Domain Knowledge into Deep Learning for
Medical Image Analysis [38.90186125141749]
医療データセットの小型化は、ディープラーニングにおいて依然として大きなボトルネックとなっている。
従来のアプローチでは、移動学習を通じて自然画像からの情報を活用していた。
近年の研究では、医師の知識を活用して、医師の訓練方法に似たネットワークを構築している。
論文 参考訳(メタデータ) (2020-04-25T14:27:47Z)
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。