了解传统中医药的LLM方法:机制探索和创新的应用

科学领域:

• 人工智能的人工智能
• 计算医学是一种计算医学.
• 传统中国医药 传统中国医药

背景情况:

• 大型语言模型 (LLM) 在医学知识表现方面显示出潜力,但在动态的临床工作流程和传统中医 (TCM) 等复杂系统中的个性化治疗方面面临挑战.
• 模拟"同一疾病的不同治疗方法"的核心TCM原则仍然是AI的一个重大挑战.
• 现有的AI框架努力捕捉TCM固有的细微,学校特定的诊断逻辑.

研究的目的:

• 为探索TCM机制和临床应用开发一个高效和新的LLM框架.
• 解决当前LLM在处理TCM所需的复杂性和个性化方面的局限性.
• 创建一个能够理解和应用"同一疾病不同的治疗方法"原则的AI模型.

主要方法:

• 一个两阶段的法学士框架,结合了增量领域特定的预培训,多任务监督微调,以及链式思维 (Chain-of-Thought, CoT) 推理.
• 利用来自19名中医医师的100,538条记录的异构数据库进行模范培训.
• 利用六个下游任务,包括个性化处方生成,以评估临床能力.

主要成果:

• 在LLM框架中,在增量预培训后,BLEU-4得分提高了1,313%,在微调后达到41.26-43.21.
• 正式验证证实了基本配方的关键作用,其删除导致了23.9%的性能下降.
• 校际评估显示了强大的概括能力,在外部数据上获得22.8 BLEU-4. CoT注释提高了20%的性能,仅使用10%的标记数据.

结论:

• 拟议的LLM框架成功地捕捉了TCM的"同一疾病的不同治疗方法"原则,并保留了学校特定的诊断逻辑.
• 该模型展示了高数据效率和强大的泛化,推进了智能TCM继承.
• 这项工作通过增强TCM的临床应用和知识表示,为人工智能驱动的个性化医学铺平了道路.