利用全国性败血症注册数据增强 LLM 的临床推理能力
人工智能
2025-05-06 v1 机器学习
摘要
虽然大型语言模型（LLM）在一般领域展示了惊人的推理能力，但在实际临床实践中的效果仍有限。这可能是由于训练期间未充分接触真实临床数据所致，由于隐私顾虑，这类数据通常不被包括在内。为此，我们提出通过利用真实临床数据来增强 LLM 的临床推理能力。我们从全国性败血症注册数据构建推理密集型问题，并使用强化学习对 Phi-4 进行微调，得到 C-Reason。C-Reason 在领域内测试集上展现出强大的临床推理能力，表现为定量指标和专家评估。此外，其增强的推理能力也推广到了不同任务和患者队列的败血症数据集、一个关于抗生素使用的开放性咨询任务，以及其他疾病。未来的研究应聚焦于使用大规模、多疾病临床数据集来训练 LLM，以发展出更强大、通用的临床推理模型。
引用
@article{arxiv.2505.02722,
title = {Enhancing LLMs' Clinical Reasoning with Real-World Data from a Nationwide Sepsis Registry},
author = {Junu Kim and Chaeeun Shim and Sungjin Park and Su Yeon Lee and Gee Young Suh and Chae-Man Lim and Seong Jin Choi and Song Mi Moon and Kyoung-Ho Song and Eu Suk Kim and Hong Bin Kim and Sejoong Kim and Chami Im and Dong-Wan Kang and Yong Soo Kim and Hee-Joon Bae and Sung Yoon Lim and Han-Gil Jeong and Edward Choi},
journal= {arXiv preprint arXiv:2505.02722},
year = {2025}
}