我们要的就是专业知识
计算与语言
2025-02-28 v1 人工智能
摘要
临床决策依赖于由专业人员指导的专业推理，而这种推理受益于标准化、基于证据的指南。然而，将这些指南转化为自动化临床决策支持系统风险在于会导致不准确，并且更重要的是会丢失细微差别。我们分享一种应用架构，即大型语言专家（Large Language Expert, LLE），该架构将大型语言模型（Large Language Model, LLM）的灵活性和强大功能与专家系统的可解释性、可解释性和可靠性相结合。LLM 有助于解决专家系统的关键挑战问题，如整合和编码知识、数据规范化等。相反，类似专家系统的方法有助于克服 LLM 的挑战，包括幻觉、原子和廉价更新、可测试性等。为突出显示大型语言专家（LLE）系统的强大功能，我们构建了一个 LLE 系统，用于协助 newly diagnosed（新诊）癌症患者的诊断工作。及时启动癌症治疗对于获得最佳患者结果至关重要。然而，随着诊断推荐方案的复杂度不断增加，初级 care 医生（primary care physicians）难以确保他们的患者在首次就诊 oncologist（肿瘤科医生）之前已完成必要的诊断工作。就像许多现实世界临床任务一样，这些工作需要分析非结构化健康记录并应用细微的临床决策逻辑。在本研究中，我们描述了构建 LLE 系统以快速识别并建议正确诊断工作流程的设计与评估。该系统表现出极高的临床水平准确性（>95%），并有效地解决了来自大型学术中心乳腺癌和结肠癌患者的真实数据中所识别的差距。
引用
@article{arxiv.2502.20335,
title = {Expertise Is What We Want},
author = {Alan Ashworth and Munir Al-Dajani and Keegan Duchicela and Kiril Kafadarov and Allison Kurian and Othman Laraki and Amina Lazrak and Divneet Mandair and Wendy McKennon and Rebecca Miksad and Jayodita Sanghvi and Travis Zack},
journal= {arXiv preprint arXiv:2502.20335},
year = {2025}
}
备注
18 pages, 7 figures, 5 tables