法学士-SDaT:一个基于知识的法学士框架,用于TCM中综合征分化
Bingtao Guan1, Shangde Gao2, Dawei Zheng1
1Transvascular Implantation Devices Research Institute and State Key Laboratory of Transvascular Implantation Devices, Zhejiang University, Hangzhou, 310009, China; Liangzhu Laboratory and WeDoctor Cloud, Hangzhou, 310058, China; Zhejiang Key Laboratory of Medical Imaging Artificial Intelligence, Hangzhou, 310058, China.
本研究介绍了LLM-SDaT,这是一个使用大型语言模型 (LLM) 进行传统中医学的新框架. 它通过整合结构化的TCM知识来增强综合症差异化和治疗规划,实现卓越的诊断准确性.
科学领域:
- 人工智能的人工智能
- 传统中国医药 传统中国医药
- 计算语言学 计算语言学
背景情况:
- 大型语言模型 (LLM) 对传统中医药 (TCM) 应用有希望.
- 目前的TCM人工智能方法缺乏标准化数据和结构化知识整合,限制了准确性.
研究的目的:
- 开发LLM-SDaT,这是一个基于知识的框架,用于对TCM的LLM进行参数高效的微调.
- 提高TCM综合征差异化和治疗规划的精度和可解释性.
主要方法:
- 引入了TCMSD100 (100综合症临床集体) 和TCMSDaT100 (知识集成数据集).
- 通过使用LoRA (低级调整) 实现了两阶段的微调框架.
- 第1阶段:在TCMSD100上进行综合征分化. 第二阶段:治疗建议与TCMSDaT100.同步.
主要成果:
- 在综合征分类中获得了85.19%的F1分数.
- 显著超过现有的基线和通用LLMs.
- 在产生临床上连贯和个性化的治疗建议方面表现卓越.
结论:
- 通过参数有效的适应整合结构化知识,提高了在TCM的LLM性能.
- LLM-SDaT为可解释的TCM决策支持系统提供了一个可扩展的途径.
- 公共可用的数据集和代码有助于进一步的研究和开发.
更多相关视频
07:50Author Spotlight: Integrating 2D-HPLC-MS and Molecular Networking in Natural Medicine Analysis
Published on: December 8, 2023
09:24Standardized Identification of Compound Structure in Tibetan Medicine Using Ion Trap Mass Spectrometry and Multiple-Stage Fragmentation Analysis
Published on: March 17, 2023
