LLM 驱动的医学文档分析：增强可信赖的病理诊断与鉴别诊断

医学文档分析在从非结构化医疗记录中提取关键临床信息方面发挥着关键作用，支持鉴别诊断等关键任务。确定在症状重叠的情况下最可能的疾病，需要精确评估和深入的医学专业知识。虽然近期大型语言模型（LLMs）的进展显著提升了医学文档分析性能，但与敏感患者数据相关的隐私问题限制了在临床环境中使用在线 LLM 服务。为解决这些挑战，我们提出了一个可信赖的医学文档分析平台，使用低秩适应技术对 LLaMA-v3 进行微调，专为鉴别诊断任务进行优化。该方法利用 DDXPlus（鉴别诊断最大基准数据集），在病理预测和可变长度鉴别诊断方面显示出优异的性能。开发的基于 Web 的平台允许用户提交自己的非结构化医学文档并获得准确、可解释的诊断结果。通过融合先进的可解释性技术，该系统确保了透明和可靠的预测，促进了用户信任和自信。广泛的评估确认，所提出的方法在预测准确性上超过当前最先进的模型，同时在临床环境中提供了实用性。这一工作解决了可靠、可解释且隐私保护的人工智能解决方案的紧迫需求，代表了医学文档智能分析在实际医疗保健应用中的重要进展。代码可在 \href{https://github.com/leitro/Differential-Diagnosis-LoRA}{https://github.com/leitro/Differential-Diagnosis-LoRA} 找到。