利用ChatGPT和可解释AI来增强临床决策支持

科学领域:

• 人工智能的人工智能
• 临床决策支持 临床决策支持
• 机器学习 机器学习

背景情况:

• 大型语言模型 (LLM) 在自然语言处理方面表现有前途,但在结构化临床数据方面存在困难.
• 表格式的临床数据需要特定的推理机制来进行准确的分析和预测.
• 现有的方法缺乏有效地将LLM推理与特定领域的表格数据集成在一起.

研究的目的:

• 引入HealthAI-Prompt,这是一个新的框架,用于将LLM适应表式临床数据.
• 提高临床决策的LLM能力,特别是糖尿病风险预测.
• 通过领域知识集成,提高AI在医疗保健中的准确性和透明度.

主要方法:

• 开发了HealthAI-Prompt框架,使用上下文提示与任务描述和领域知识.
• 自动机器学习 (AutoML) 模型及其本地解释的综合见解.
• 使用忠实度,稳定性和单调度指标评估解释可靠性.
• 在LLM解释结构特征的提示符中嵌入验证的解释,而无需微调.

主要成果:

• 健康AI-Prompt使LLM能够有意义地解释结构化的临床特征.
• 该框架提高了诸如糖尿病风险预测等任务的预测准确度.
• 对比分析表明,快速工程策略对模型性能的影响.
• 与传统方法相比,这种方法可以提高医疗保健AI的透明度.

结论:

• 健康AI-Prompt有效地将AutoML和LLM推理与表式临床数据相结合.
• 该方法提高了医疗保健AI应用中的LLM性能和可解释性.
• 这一框架代表了在将LLMs应用于特定领域的临床挑战方面取得的重大进展.