评估LLM在现实医疗随访中的挑战：比较研究与优化框架
计算与语言
2025-12-23 v1 人工智能
摘要
当大型语言模型（LLM）直接以端到端方式应用于医疗随访任务时，常因随访表格的复杂性导致对话流程不可控且信息提取不准。为此，我们设计并比较了两个随访聊天机器人系统：一个为端到端LLM-based系统（对照组），另一个为具有结构化过程控制的模块化管道（实验组）。实验结果表明，端到端方法在长难复杂表格上常常失败，而我们的模块化方法基于任务分解、语义聚类和流程管理，显著提高了对话稳定性和提取准确度。此外，该方法将对话轮次降低46.73%，降低token消耗80%至87.5%。这些发现凸显了在高风险医疗随访场景中部署LLM的必要性，必须集成外部控制机制。
引用
@article{arxiv.2512.18999,
title = {Evaluating the Challenges of LLMs in Real-world Medical Follow-up: A Comparative Study and An Optimized Framework},
author = {Jinyan Liu and Zikang Chen and Qinchuan Wang and Tan Xie and Heming Zheng and Xudong Lv},
journal= {arXiv preprint arXiv:2512.18999},
year = {2025}
}
备注
10 pages,3 figures,conference ICCBB2025