在医学影像诊断中持续学习的LLM指导解的概率提示

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 传统的深度学习模型与不断变化的临床数据和新疾病的出现作斗争.
• 持续学习 (CL) 解决了这一问题,使模型能够学习新信息,同时保留现有知识.
• 目前在CL中的提示调整 (PT) 方法使用确定性提示,缺乏专家知识集成.

研究的目的:

• 提出一种新的LLM指导的解概率提示 (LDPP) 方法,用于医学图像诊断中的持续学习.
• 提高诊断模型在动态临床环境中的适应性和性能.
• 克服现有的快速调整方法在处理细粒度知识和专家见解方面的局限性.

主要方法:

• 开发了一个使用大型语言模型 (LLM) 提取专家知识和类别描述的专家知识生成 (EKG) 模块.
• 引入了一个脱的概率提示程序 (DePP) 池,用于动态和灵活的图像描述.
• 设计了一个转向提示符池 (SPP),以提高类内紧性和整体模型性能.

主要成果:

• 拟议的LDPP方法在持续学习的挑战性课堂增量设置中实现了最先进的性能.
• 广泛的实验验证了LDPP在医学图像诊断中的有效性.
• 该方法展示了处理各种细粒度知识和整合专家见解的卓越能力.

结论:

• 在医学影像诊断中,LDPP提供了一种强大的持续学习解决方案,其性能优于现有的方法.
• 整合LLM指导的概率提示增强了模型的适应性和诊断准确性.
• 这种方法为在动态的医疗保健环境中更具弹性和智能诊断系统铺平了道路.