Die Studie untersucht einen neuen Ansatz zur Unterstützung von Ärzten bei der Diagnosestellung, der als "Learning to Guide" (LTG) bezeichnet wird. Anstatt die Entscheidungsverantwortung vom Arzt auf ein KI-System zu übertragen, zielt LTG darauf ab, dem Arzt interpretierbare und aufgabenspezifische Anleitung in natürlicher Sprache bereitzustellen, um seine Entscheidungsfindung zu unterstützen.
Um diesen Ansatz umzusetzen, stellen die Autoren SLOG vor, einen Algorithmus, der große Sprach-Bild-Modelle in hochwertige Anleitung-Generatoren umwandelt. SLOG verwendet ein Surrogatmodell, um die Qualität der vom Arzt getroffenen Entscheidungen basierend auf der generierten Anleitung abzuschätzen, und optimiert dann das Sprach-Bild-Modell, um Anleitung zu erzeugen, die zu besseren Entscheidungen führt.
Die Experimente auf einem medizinischen Datensatz zeigen, dass SLOG die Informativität der generierten Anleitung deutlich verbessert, ohne die allgemeine Textqualität zu beeinträchtigen. Darüber hinaus führt die SLOG-Anleitung zu einer Verbesserung der Entscheidungsqualität im Vergleich zu Baseline-Methoden.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Debodeep Ban... alle arxiv.org 03-26-2024
https://arxiv.org/pdf/2403.16501.pdfDomande più approfondite