大型语言模型是临床推理器：基于提示生成依据的推理感知诊断框架
计算与语言
2024-05-13 v3 人工智能
摘要
得益于大型语言模型（LLM），机器推理近年来取得了长足进步。然而在临床领域，大多数基于 NLP 的项目主要侧重于临床分类或阅读理解，由于临床医生进行依据标注的成本高昂，对疾病诊断的临床推理探索不足。在本工作中，我们提出了一种“推理感知”诊断框架，该框架通过基于提示的学习以省时省力的方式使诊断过程合理化，并学习在提示生成的依据上进行推理。具体而言，我们处理疾病诊断中的临床推理问题，其中 LLM 生成诊断依据，提供其对所呈现的患者数据的见解以及通往诊断的推理路径，即临床思维链（Clinical CoT）。我们通过各种设置下对依据生成和疾病诊断的大量实验与分析，实证验证了 LLM/LM 的临床推理能力。我们进一步提出了一套新颖的评估准则，用于评估机器生成依据在真实临床环境中的潜力，以促进并造福该领域的未来研究。
引用
@article{arxiv.2312.07399,
title = {Large Language Models are Clinical Reasoners: Reasoning-Aware Diagnosis Framework with Prompt-Generated Rationales},
author = {Taeyoon Kwon and Kai Tzu-iunn Ong and Dongjin Kang and Seungjun Moon and Jeong Ryong Lee and Dosik Hwang and Yongsik Sim and Beomseok Sohn and Dongha Lee and Jinyoung Yeo},
journal= {arXiv preprint arXiv:2312.07399},
year = {2024}
}
备注
Accepted to AAAI 2024