論文の概要: GPT-doctor: Customizing Large Language Models for Medical Consultation
- arxiv url: http://arxiv.org/abs/2312.10225v1
- Date: Fri, 15 Dec 2023 21:42:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 17:47:35.695245
- Title: GPT-doctor: Customizing Large Language Models for Medical Consultation
- Title（参考訳）: GPT-doctor:医療相談のための大規模言語モデルのカスタマイズ
- Authors: Wen Wang, Zhenyue Zhao, Tianshu Sun
- Abstract要約: 本稿では,Large Language Models (LLM) を一般的なビジネスコンテキストにカスタマイズするための新しいフレームワークを提案する。
LLMにおけるドメイン固有理論とスーパービジョンファインチューニング(SFT)を組み合わせる手法を設計する。
提案するフレームワークを医療相談の文脈でインスタンス化し,GPT-doctorモデルを作成する。
- 参考スコア（独自算出の注目度）: 5.532457801941222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advent of Large Language Models (LLMs) has ushered in a new era for
design science in Information Systems, demanding a paradigm shift in tailoring
LLMs design for business contexts. This paper proposes a novel framework to
customize LLMs for general business contexts that aims to achieve three
fundamental objectives simultaneously: (1) aligning conversational patterns,
(2) integrating in-depth domain knowledge, and (3) embodying the soft skills
and core principles. We design methodologies to combine domain-specific theory
with Supervised Fine Tuning (SFT) in LLMs. We instantiate our proposed
framework in the context of medical consultation, creating a GPT-doctor model.
Specifically, we construct a comprehensive dataset for SFT by collecting large
volume of real doctors consultation records from a leading online medical
consultation platform and medical knowledge from professional databases.
Additionally, drawing on medical theory, we identify three soft skills and core
principles of human doctors including professionalism, explainability, and
emotional support, and design approaches to integrate these skills into LLMs.
We demonstrate the feasibility and performance of our proposed framework using
online experiments with real patients as well as evaluation by domain experts
and real consumers. Results demonstrate that fine-tuned GPT-doctor performs on
par with human doctors across multiple metrics including medical expertise and
consumer preference. Finally, we unravel the black box and examine the sources
of model performance improvement from the perspectives of horizontal
conversation pattern alignment and vertical medical knowledge evolution. Our
proposed framework offers step-by-step principles and guidance for customizing
LLMs for real-world business problems.
- Abstract（参考訳）: 大規模言語モデル(llms)の出現は、情報システムにおける設計科学の新しい時代を告げ、llms設計をビジネスコンテキストに合わせるためのパラダイムシフトを要求した。
本稿では,(1)会話パターンの整合,(2)深いドメイン知識の統合,(3)ソフトスキルとコア原則の具体化という3つの基本目標を同時に達成することを目的とした,一般的なビジネスコンテキストのllmをカスタマイズするための新しい枠組みを提案する。
LLMにおけるドメイン固有理論とスーパービジョンファインチューニング(SFT)を組み合わせる手法を設計する。
提案するフレームワークを医療相談の文脈でインスタンス化し,GPT-doctorモデルを作成する。
具体的には、主要なオンライン医療相談プラットフォームから大量の医師相談記録を収集し、専門データベースから医療知識を収集し、SFTのための包括的なデータセットを構築する。
さらに, 医療理論に基づいて, 専門性, 説明可能性, 情緒的支援を含む, 人間の医師のソフトスキルとコア原則を3つ同定し, これらのスキルをLCMに組み込む設計アプローチを提案する。
本研究は,実患者に対するオンライン実験とドメインエキスパートおよび実消費者による評価を用いて,提案フレームワークの実現可能性と性能を示す。
その結果、gpt-doctorは、医療の専門知識や消費者の嗜好など、複数の指標にわたる人間の医師と同等の性能を発揮することがわかった。
最後に,ブラックボックスを探索し,水平的会話パターンアライメントと垂直的医療知識の進化の観点からモデル性能改善の源泉を検討する。
提案するフレームワークは、現実のビジネス問題に対してLCMをカスタマイズするためのステップバイステップの原則とガイダンスを提供する。
関連論文リスト
- Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。
本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
論文 参考訳（メタデータ） (2024-10-24T15:41:56Z) - 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) - Beyond Human Norms: Unveiling Unique Values of Large Language Models through Interdisciplinary Approaches [69.73783026870998]
本研究では,大言語モデルの固有値システムをスクラッチから再構築する新しいフレームワークであるValueLexを提案する。
語彙仮説に基づいて、ValueLexは30以上のLLMから様々な値を引き出すための生成的アプローチを導入している。
我々は,3つのコア値次元,能力,キャラクタ,積分をそれぞれ特定の部分次元で同定し,LLMが非人間的だが構造化された価値体系を持っていることを明らかにした。
論文 参考訳（メタデータ） (2024-04-19T09:44:51Z) - Evaluation of General Large Language Models in Contextually Assessing
Semantic Concepts Extracted from Adult Critical Care Electronic Health Record
Notes [17.648021186810663]
本研究の目的は,大規模言語モデル(LLM)の実際の臨床ノートの理解と処理における性能を評価することである。
GPTファミリーモデルは、コスト効率と時間節約能力によって証明された、かなりの効率性を示している。
論文 参考訳（メタデータ） (2024-01-24T16:52:37Z) - A Survey of Large Language Models in Medicine: Progress, Application, and Challenge [85.09998659355038]
大規模言語モデル (LLM) は、人間の言語を理解し、生成する能力のために大きな注目を集めている。
本総説は,医学におけるLSMの開発と展開について概説することを目的としている。
論文 参考訳（メタデータ） (2023-11-09T02:55:58Z) - Large Language Models Illuminate a Progressive Pathway to Artificial
Healthcare Assistant: A Review [16.008511195589925]
大規模言語モデル(LLM)は、人間のレベルの言語理解と推論を模倣する有望な能力を示している。
本稿では,医学におけるLSMの応用と意義について概説する。
論文 参考訳（メタデータ） (2023-11-03T13:51:36Z) - Large Language Models, scientific knowledge and factuality: A framework to streamline human expert evaluation [0.0]
本研究は,生物医学的背景知識と対話するための大規模言語モデルの可能性を探るものである。
フレームワークには3つの評価ステップが含まれており、それぞれが流布、即応的なアライメント、セマンティック・コヒーレンス、事実的知識、生成した応答の特異性という3つの側面を逐次評価する。
この研究は、ChatGPT、GPT-4、Llama 2を含む11の最先端のLLMを2つのプロンプトベースタスクで持つ能力に関する体系的な評価を提供する。
論文 参考訳（メタデータ） (2023-05-28T22:46:21Z) - Align, Reason and Learn: Enhancing Medical Vision-and-Language
Pre-training with Knowledge [68.90835997085557]
本稿では,3つの視点から構造化された医療知識を高めるための体系的かつ効果的なアプローチを提案する。
まず、視覚エンコーダと言語エンコーダの表現を知識を通して整列する。
次に,多モード融合モデルに知識を注入し,入力画像とテキストの補足として知識を用いた推論を可能にする。
第3に、知識によって引き起こされるプレテキストタスクを設計することで、画像やテキストの最も重要な情報に重点を置くよう、モデルを指導する。
論文 参考訳（メタデータ） (2022-09-15T08:00:01Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z)
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。