面向COVID-19的基于生成式LLM的对话式AI风险评估应用：案例研究
计算与语言
2024-09-24 v1 人工智能
摘要
大型语言模型（LLM）在各种自然语言任务中展现出惊人的能力，正在在医疗领域中日益广泛地应用。本工作演示了一种新的LLM驱动的疾病风险评估方法，通过流式人机对话实现，无需传统机器学习方法所需的编程。以COVID-19严重程度风险评估为案例研究，我们微调了预训练的生成式LLM（如Llama2-7b和Flan-t5-xl），使用少量自然语言示例进行微调，比较其性能与使用表格数据从零训练的传统分类器（如逻辑回归、XGBoost、随机森林）在各种实验设置下的表现。我们开发了一个移动应用程序，将这些微调后的LLM作为其生成式AI（GenAI）核心，用于促进医生与患者之间的实时交互，提供通过对话界面实现的无代码风险评估。该集成不仅允许将流式问题和答案（QA）作为输入，还通过LLM的注意力层提供个人化特征重要性分析，增强了风险评估的可解释性。通过在有限的微调样本数下实现高AUC分数，我们的结果表明生成式LLM在低数据场景下能够超越判别式分类方法，凸显了其实际可适应性和有效性。本工作旨在弥补利用生成式LLM进行交互式无代码风险评估的现有空白，鼓励进一步研究此新兴领域。
引用
@article{arxiv.2409.15027,
title = {Generative LLM Powered Conversational AI Application for Personalized Risk Assessment: A Case Study in COVID-19},
author = {Mohammad Amin Roshani and Xiangyu Zhou and Yao Qiang and Srinivasan Suresh and Steve Hicks and Usha Sethuraman and Dongxiao Zhu},
journal= {arXiv preprint arXiv:2409.15027},
year = {2024}
}