一个积极的推理策略,以在医疗实践中从大型语言模型中引发可靠的响应
Roma Shusterman1,2, Allison C Waters3, Shannon O'Neill3
1Brain Electrophysiology Laboratory Company, Eugene, OR, USA. roma.shusterman@bel.company.
大型语言模型 (LLM) 在医疗保健方面表现有前途,但需要仔细开发. 一个新的验证数据集和提示方法在一项研究中改善了LLM对专家标准的响应.
科学领域:
- 人工智能在医学中的应用
- 自然语言处理自然语言处理.
- 临床决策支持 临床决策支持
背景情况:
- 大型语言模型 (LLM) 为医疗知识获取提供了变革性的潜力.
- 有关临床环境中LLM非决定性,安全性和质量控制存在担忧.
- 现有的LLM应用程序缺乏医疗用途的域特定验证.
研究的目的:
- 开发和评估一种新的方法,以安全有效地将LLM整合到医疗保健中.
- 通过领域特定的培训和精细的提示策略来解决当前LLM的局限性.
- 在临床环境中对专家标准进行LLM绩效评估.
主要方法:
- 为LLM培训创建一个特定领域的,经过验证的数据集.
- 实施一个使用治疗师和监督员代理的演员-批评提示协议.
- 盲目验证研究,在该研究中,专家认知行为治疗失眠 (CBT-I) 治疗师评价了LLM和人类生成的反应.
主要成果:
- 通过提出的方法进行培训的LLM获得了专家治疗师的高评分.
- 法律法学士的答案经常超过了适当的人工制造答案的质量和准确性.
- 演员-关键提示协议证明了与专家临床标准的有效结合.
结论:
- 一种结构化,经过验证的方法可以提高医学应用中的LLM安全性和有效性.
- 特定领域的数据集和精细的提示协议对于医疗保健中可靠的AI至关重要.
- 这种方法为高级LLM在临床实践中负责任地整合提供了基础.
更多相关视频
08:05Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques
Published on: June 30, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Language Development
The critical period for language acquisition suggests that the ability to acquire language is at its peak early in life. As people age, this proficiency decreases. Language development begins very...
Modeling in Therapy
Participant Modeling
Participant modeling involves therapists demonstrating calm and effective behaviors in...
Language and Cognition
The Availability Heuristic
Factors Affecting Drug Response: Overview
Assessment of Airway, Skin Color, and Use of Accessory Muscles
Introduction
The initial evaluation of a patient's respiratory system...
