使用大型语言模型进行传统中医公式分类的权衡投票方法:算法开发和验证研究
Zhe Wang1,2, Keqian Li3, Suyuan Peng4
1Institute of Basic Medical Sciences, Chinese Academy of Medical Sciences; School of Basic Medicine, Peking Union Medical College, Beijing, China.
JMIR medical informatics
|July 24, 2025
概括
这项研究表明,使用大语言模型 (LLM) 进行集体学习显著提高了传统中医 (TCM) 公式分类准确度. 最好的组合模型实现了77.15%的准确性,增强了TCM知识发现.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算语言学 计算语言学
- 传统中国医药 传统中国医药
背景情况:
- 传统中医药 (TCM) 配方具有关于成分,疗效和适用情况的关键信息.
- 分类TCM公式对于标准化,临床支持,研究和现代化至关重要.
- 大型语言模型 (LLM) 为增强TCM知识发现提供了高级功能.
研究的目的:
- 评估各种LLM在分类TCM公式中的表现.
- 提高TCM公式分类准确度,使用集体学习与微调的LLMs.
主要方法:
- 手动策划和清理2441个TCM公式的数据集.
- 精心调整了10个中国支持的LLM.
- 雇员集体学习与硬和加权的投票机制.
- 精选出表现最好的模特进行组合投票 (前5名和前3名).
主要成果:
- Qwen-14B实现了最高的单模准确率75.32%.
- 组合方法提高了准确性:硬投票 (75.79%),加权投票 (76.47%),加权投票 (前五名) (75.57%) 和加权投票 (前三名) (77.15%).
结论:
- 与LLM一起学习有效地提高了TCM公式分类的准确性.
- 拟议的方法改进了TCM配方疗效的分类系统.
- 这种方法加速了TCM知识的发现,并促进了科学应用.


