整合检索增强生成与大语言模型在科:推进实际应用
Jing Miao1, Charat Thongprayoon1, Supawadee Suppadungsuk1,2
1Division of Nephrology and Hypertension, Department of Medicine, Mayo Clinic, Rochester, MN 55905, USA.
Medicina (Kaunas, Lithuania)
|March 28, 2024
概括
大型语言模型 (LLM) 在科提供先进的患者护理和研究工具. 将检索增强生成 (RAG) 与LLM集成,可以提高医疗建议的准确性和可靠性.
科学领域:
- 人工智能在医学中的应用
- 腎病學應用 腎病學應用
- 自然语言处理自然语言处理.
背景情况:
- 大型语言模型 (LLM) 越来越多地融入医疗保健,为患者护理,研究和教育提供先进的能力.
- 医学LLM应用的一个关键挑战是确保准确性和减轻"幻觉" - - 事实上不正确或无关的输出.
研究的目的:
- 通过实施检索增强生成 (RAG) 来解决医疗保健中的LLM不准确性.
- 开发一个与RAG集成的专业LLM,与KDIGO2023慢性病指南保持一致.
主要方法:
- 利用快速工程技术,包括思想链,以指导LLM推理.
- 实施检索增强生成 (RAG) 来整合外部数据并提高输出准确性.
- 开发了一个专门的ChatGPT模型,将RAG纳入脏病学应用程序.
主要成果:
- 与RAG集成的LLM在提供专业和准确的医疗咨询方面表现出潜力.
- 该系统通过利用外部最新信息,提高了输出相关性和准确性.
结论:
- 通过RAG增强的LLM显示出可靠和高效的脏病实践的前景.
- 这种方法标志着朝着更可靠的AI驱动的医疗决策和教育迈出了一步.
