論文の概要: DoPI: Doctor-like Proactive Interrogation LLM for Traditional Chinese Medicine
- arxiv url: http://arxiv.org/abs/2507.04877v1
- Date: Mon, 07 Jul 2025 11:04:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.389155
- Title: DoPI: Doctor-like Proactive Interrogation LLM for Traditional Chinese Medicine
- Title（参考訳）: DoPI:中国伝統医学のための医師的プロアクティブインターロゲーションLLM
- Authors: Zewen Sun, Ruoxiang Huang, Jiahe Feng, Rundong Kong, Yuqian Wang, Hengyu Liu, Ziqi Gong, Yuyuan Qin, Yingxue Wang, Yu Wang,
- Abstract要約: 現在の大規模言語モデル (LLM) は医学的応用において顕著な限界を呈している。
本稿では,中国伝統医学(TCM)分野に特化して設計された新しいLLMシステムであるDoPIを提案する。
指導モデルは患者とのマルチターン対話を行い,知識グラフに基づく質問を動的に生成する。
エキスパートモデルは、深いTCMの専門知識を活用して、最終診断と治療計画を提供する。
- 参考スコア（独自算出の注目度）: 2.650034302431857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enhancing interrogation capabilities in Traditional Chinese Medicine (TCM) diagnosis through multi-turn dialogues and knowledge graphs presents a significant challenge for modern AI systems. Current large language models (LLMs), despite their advancements, exhibit notable limitations in medical applications, particularly in conducting effective multi-turn dialogues and proactive questioning. These shortcomings hinder their practical application and effectiveness in simulating real-world diagnostic scenarios. To address these limitations, we propose DoPI, a novel LLM system specifically designed for the TCM domain. The DoPI system introduces a collaborative architecture comprising a guidance model and an expert model. The guidance model conducts multi-turn dialogues with patients and dynamically generates questions based on a knowledge graph to efficiently extract critical symptom information. Simultaneously, the expert model leverages deep TCM expertise to provide final diagnoses and treatment plans. Furthermore, this study constructs a multi-turn doctor-patient dialogue dataset to simulate realistic consultation scenarios and proposes a novel evaluation methodology that does not rely on manually collected real-world consultation data. Experimental results show that the DoPI system achieves an accuracy rate of 84.68 percent in interrogation outcomes, significantly enhancing the model's communication ability during diagnosis while maintaining professional expertise.
- Abstract（参考訳）: 従来の中国医学(TCM)診断における多ターン対話と知識グラフによる尋問能力の強化は、現代のAIシステムにとって重要な課題である。
現在の大規模言語モデル(LLM)は、その進歩にもかかわらず、医学的応用、特に効果的な多ターン対話や積極的な質問の実施において顕著な制限を呈している。
これらの欠点は、実世界の診断シナリオをシミュレートする実践的応用と有効性を妨げている。
これらの制約に対処するために,我々は,TCMドメイン用に特別に設計された新しいLLMシステムであるDoPIを提案する。
DoPIシステムは、ガイダンスモデルとエキスパートモデルからなる協調アーキテクチャを導入する。
本モデルでは,患者とのマルチターン対話を行い,知識グラフに基づく質問を動的に生成し,重要な症状情報を効率的に抽出する。
同時に、エキスパートモデルは深いTCMの専門知識を活用して、最終診断と治療計画を提供する。
さらに,現実的なコンサルテーションシナリオをシミュレートするためのマルチターン医師・患者対話データセットを構築し,手動で収集した実世界のコンサルテーションデータに依存しない新たな評価手法を提案する。
実験の結果,DoPIシステムでは,質問結果の精度が84.68パーセント向上し,専門家の専門知識を維持しつつ,診断時のモデルのコミュニケーション能力が著しく向上することがわかった。
関連論文リスト
- DoctorAgent-RL: A Multi-Agent Collaborative Reinforcement Learning System for Multi-Turn Clinical Dialogue [5.0037050098387805]
大規模言語モデル (LLMs) は, バイオメディカルな質問応答の分野で優れた能力を発揮してきたが, 実際の臨床研究への応用はいまだに課題に直面している。
本稿では,医療相談を不確実性下での動的意思決定プロセスとしてモデル化する,強化学習(RL)に基づくマルチエージェント協調フレームワークであるDoctorAgent-RLを提案する。
実験により、DoctorAgent-RLは、マルチターン推論能力と最終的な診断性能の両方で既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2025-05-26T07:48:14Z) - Advancing Conversational Diagnostic AI with Multimodal Reasoning [44.1996223689966]
アーティキュレート・メディカル・インテリジェンス・エクスプローラー(AMIE)
システムは、対話フローを中間モデル出力によって動的に制御する状態認識対話フレームワークを実装している。
患者アクターとのチャットベースの相談の無作為で盲目なOSCEスタイルの研究において, AMIEをプライマリケア医師(PCP)と比較した。
論文 参考訳（メタデータ） (2025-05-06T20:52:01Z) - Empowering Medical Multi-Agents with Clinical Consultation Flow for Dynamic Diagnosis [20.59719567178192]
コンサルテーションプロセス全体をシミュレートするために,コンサルテーションフローと強化学習(RL)にインスパイアされたマルチエージェントフレームワークを提案する。
本手法は,臨床相談フローと医用教科書から構築した階層的行動集合を取り入れ,意思決定過程を効果的に指導する。
この戦略はエージェントのインタラクションを改善し、動的状態に基づいたアクションの適応と最適化を可能にする。
論文 参考訳（メタデータ） (2025-03-19T08:47:18Z) - Dialogue is Better Than Monologue: Instructing Medical LLMs via Strategical Conversations [74.83732294523402]
実世界の診断シナリオをシミュレートし,USMLE標準に適合するノイズと難易度を統合する新しいベンチマークを導入する。
また、対話に基づく微調整についても検討し、静的データセットを会話形式に変換し、反復的推論プロセスをよりよく捉える。
実験の結果、対話調整されたモデルは従来の手法よりも優れており、マルチラウンド推論のシナリオでは9.64%、ノイズの多い環境では6.18%の精度で改善されている。
論文 参考訳（メタデータ） (2025-01-29T18:58:48Z) - Building a Chinese Medical Dialogue System: Integrating Large-scale Corpora and Novel Models [2.04367431902848]
新型コロナウイルス(COVID-19)のパンデミックは、従来の医療システムに大きな欠陥を生じさせ、オンライン医療サービスの進歩を加速させた。
既存の研究は2つの大きな課題に直面している。
まず、プライバシー上の懸念から、大規模で公開可能な、ドメイン固有の医療データセットの不足。
第二に、既存の方法には医療知識がなく、患者医師相談における専門用語や表現の理解に苦慮している。
論文 参考訳（メタデータ） (2024-09-27T00:01:32Z) - 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) - Conversational Disease Diagnosis via External Planner-Controlled Large Language Models [18.93345199841588]
本研究は,医師のエミュレートによる計画能力の向上を目的としたLCMに基づく診断システムを提案する。
実際の患者電子カルテデータを利用して,仮想患者と医師とのシミュレーション対話を構築した。
論文 参考訳（メタデータ） (2024-04-04T06:16:35Z) - 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)
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。