Dieses Studium präsentiert einen innovativen Ansatz zur konversationsbasierten Krankheitsdiagnose, der externe Planer mit Großen Sprachmodellen kombiniert.
Der Ansatz umfasst zwei Planer, die jeweils unterschiedliche Aufgaben übernehmen:
Der Krankheitsscreening-Planer sammelt Informationen über die Symptome des Patienten, um mögliche Diagnosen zu identifizieren. Dazu verwendet er Reinforcement Learning, um eine effektive Fragestrategie zu entwickeln.
Der differenzielle Diagnose-Planer führt dann gezielte Nachfragen durch, um die im ersten Schritt identifizierten Krankheiten zu bestätigen oder auszuschließen. Dafür nutzt er medizinische Fachliteratur, die in strukturierte Entscheidungsprozesse übersetzt wird.
Die Evaluation auf Basis des MIMIC-IV Datensatzes zeigt, dass der Ansatz die Leistung rein auf Großen Sprachmodellen basierender Systeme übertrifft. Die Ergebnisse deuten darauf hin, dass der vorgestellte Ansatz das Potenzial hat, die Genauigkeit und Zugänglichkeit medizinischer Diagnosen zu verbessern.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Zhoujian Sun... alle arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.04292.pdfDomande più approfondite