从通用到特定：为个性化医疗定制大语言模型
计算与语言
2024-12-23 v1 人工智能
信息检索
摘要
大语言模型（LLMs）的快速发展已经改变了包括医疗在内的许多行业。然而，先前的医疗LLMs主要侧重于利用通用医学知识来提供响应，没有考虑患者差异，并且缺乏个体层面的真正个性化。为了解决这个问题，我们提出了一种称为个性化医疗语言模型（PMLM）的新方法，该方法通过推荐系统和强化学习（RL）探索和优化个性化LLMs。具体来说，通过利用自我知情和同伴知情个性化，PMLM捕捉行为和偏好的变化，以设计针对个体需求的初始个性化提示。我们通过RL进一步优化这些初始个性化提示，最终提高LLM引导的精确性。值得注意的是，个性化提示是硬提示，这使得PMLM具有高适应性和可重用性，允许它直接利用高质量的专有LLMs。我们使用真实的妇产科数据评估PMLM，实验结果表明PMLM实现了个性化响应，并且它提供了更精细和个性化的服务，为个性化医疗LLMs提供了一种潜在途径。
引用
@article{arxiv.2412.15957,
title = {From General to Specific: Tailoring Large Language Models for Personalized Healthcare},
author = {Ruize Shi and Hong Huang and Wei Zhou and Kehan Yin and Kai Zhao and Yun Zhao},
journal= {arXiv preprint arXiv:2412.15957},
year = {2024}
}