Lab-AI：利用检索增强提升临床医学个性化化验解读的语言模型
计算与语言
2025-04-25 v2 人工智能
信息检索
摘要
准确解读化验结果在临床医学中至关重要，然而大多数患者门户使用统一的正常范围，忽略了年龄和性别等条件因素。本研究引入了 Lab-AI，这是一个利用来自可靠健康源的检索增强生成 (retrieval-augmented generation, RAG) 提供个性化正常范围的交互式系统。Lab-AI 包含两个模块：因素检索和正常范围检索。我们在 122 项化验上测试了这两个模块：40 项具有条件因素，82 项没有。对于具有因素的化验，正常范围取决于患者特定信息。我们的结果显示，结合 RAG 的 GPT-4-turbo 在因素检索上取得了 0.948 的 F1 分数，在正常范围检索上取得了 0.995 的准确率。结合 RAG 的 GPT-4-turbo 在因素检索上比最佳的非 RAG 系统高出 33.5%，并在正常范围检索的问题级和化验级性能上分别提升了 132% 和 100%。这些发现突出了 Lab-AI 在提升患者对化验结果理解方面的潜力。
关键词
引用
@article{arxiv.2409.18986,
title = {Lab-AI: Using Retrieval Augmentation to Enhance Language Models for Personalized Lab Test Interpretation in Clinical Medicine},
author = {Xiaoyu Wang and Haoyong Ouyang and Balu Bhasuran and Xiao Luo and Karim Hanna and Mia Liza A. Lustria and Carl Yang and Zhe He},
journal= {arXiv preprint arXiv:2409.18986},
year = {2025}
}