基于大型语言模型的人工智能方法用于医疗场景中的紧急情况检测
机器学习
2024-12-24 v1 计算与语言
摘要
通过数字通信渠道快速识别医疗紧急情况在现代医疗 delivery 中仍然是一个关键挑战，尤其是随着远程医疗的日益普及。本文提出了一种新颖的方法，利用大型语言模型（LLM）和提示工程技术用于医疗沟通中的自动化紧急情况检测。我们开发并评估了一个综合系统，使用多个 LLaMA 模型变体（1B、3B 和 7B 参数）对医疗场景进行紧急或非紧急情况的分类。我们的 метод论结合了系统提示和提示内训练方法，在不同的硬件配置上进行评估。结果表明，LLaMA 2（7B）模型实现了 99.7% 的准确率，LLaMA 3.2（3B）模型在最佳提示工程下达到 99.6% 的准确率。通过系统性测试模型提示中的训练示例，我们发现将 10 个示例场景包含在模型提示中可获得最佳的分类性能。处理速度在不同平台之间差异显著，范围从 0.05 到 2.2 秒/请求。该系统在最小化紧急情况中的高风险误报方面表现尤为出色，这对于患者安全至关重要。代码实现和评估框架已公开于 GitHub，促进了该医疗技术领域的进一步研究与开发。
引用
@article{arxiv.2412.16341,
title = {A Machine Learning Approach for Emergency Detection in Medical Scenarios Using Large Language Models},
author = {Ferit Akaybicen and Aaron Cummings and Lota Iwuagwu and Xinyue Zhang and Modupe Adewuyi},
journal= {arXiv preprint arXiv:2412.16341},
year = {2024}
}