ALPHA：基于大语言模型的异常生理健康评估
机器学习
2023-11-22 v1 人工智能
摘要
本研究聚焦于评估大语言模型（LLMs）在医疗健康中的效能，特别关注其在个人异常健康监测中的应用。我们的研究主要考察LLMs解读和分析来自FDA批准设备的生理数据的能力。我们使用在模拟低气压高原环境中收集的异常生理数据进行了广泛分析。这使我们能够评估LLMs在理解和评估用户健康状态时的精确性与可靠性，且具有显著特异性。我们的发现表明，LLMs在判定医学指标方面表现出色，其中心率的平均绝对误差（MAE）小于1次/分钟，氧饱和度（SpO2）小于1%。此外，这些评估的平均绝对百分比误差（MAPE）保持在1%以下，健康评估的总体准确率超过85%。在图像分析任务中，例如解读光电容积描记（PPG）数据，我们专门适配的GPT模型展现出卓越能力，在周期计数上误差小于1 bpm，心率估计MAE为7.28。本研究凸显了LLMs作为健康数据分析工具以及先进AI健康助手关键要素的双重角色，在未来健康助手框架内提供个性化健康洞察与建议。
引用
@article{arxiv.2311.12524,
title = {ALPHA: AnomaLous Physiological Health Assessment Using Large Language Models},
author = {Jiankai Tang and Kegang Wang and Hongming Hu and Xiyuxing Zhang and Peiyu Wang and Xin Liu and Yuntao Wang},
journal= {arXiv preprint arXiv:2311.12524},
year = {2023}
}