CliniChat：面向临床访谈对话重建与评估的多源知识驱动框架
计算与语言
2025-04-15 v1
摘要
大型语言模型 (LLM) 因其流畅的交互能力和广泛的医学知识，展现出在辅助临床访谈方面的巨大潜力。然而，缺乏高质量的访谈对话数据以及缺乏被广泛接受的评估方法，显著阻碍了这一进程。因此我们提出 CliniChat，一个集成多源知识的框架，使 LLM 能够模拟真实世界的临床访谈。它包含两个模块：Clini-Recon 和 Clini-Eval，分别负责重建和评估访谈对话。通过纳入三个知识来源，Clini-Recon 将临床笔记转化为系统、专业且富有同理心的访谈对话。Clini-Eval 将综合的评估指标体系与两阶段自动评估方法相结合，使 LLM 能够像专家一样评估访谈表现。我们贡献了 MedQA-Dialog，一个高质量的合成访谈对话数据集，以及 CliniChatGLM，一个专为临床访谈设计的模型。实验结果表明，CliniChatGLM 的访谈能力经历了全面的提升，尤其在病史获取方面实现了最先进的性能。
引用
@article{arxiv.2504.10418,
title = {CliniChat: A Multi-Source Knowledge-Driven Framework for Clinical Interview Dialogue Reconstruction and Evaluation},
author = {Jing Chen and Zhihua Wei and Wei Zhang and Yingying Hu and Qiong Zhang},
journal= {arXiv preprint arXiv:2504.10418},
year = {2025}
}