LLM-MedQA：通过大语言模型中的案例研究增强医学问答
计算与语言
2025-01-22 v2 人工智能
信息检索
摘要
准确且高效的问答系统对于在医学领域提供高质量的患者护理至关重要。尽管大语言模型（LLM）在各个领域取得了显著进展，但它们在医学问答方面仍面临重大挑战，特别是在理解领域特定术语和执行复杂推理方面。这些局限性削弱了它们在关键医疗应用中的有效性。为了解决这些问题，我们提出了一种新方法，在多智能体医学问答（MedQA）系统中引入相似案例生成。具体而言，我们在多智能体架构中利用 Llama3.1:70B 模型（一种 SOTA LLM），通过零样本学习提升在 MedQA 数据集上的性能。我们的方法利用了模型固有的医学知识和推理能力，无需额外的训练数据。实验结果表明，与现有基准模型相比取得了显著的性能提升，在各类医学问答任务中准确率和 F1 分数均提高了 7%。此外，我们检验了模型在处理复杂医学查询时的可解释性与可靠性。本研究不仅为医学问答提供了稳健的解决方案，也为 LLM 在医学领域的更广泛应用奠定了基础。
引用
@article{arxiv.2501.05464,
title = {LLM-MedQA: Enhancing Medical Question Answering through Case Studies in Large Language Models},
author = {Hang Yang and Hao Chen and Hui Guo and Yineng Chen and Ching-Sheng Lin and Shu Hu and Jinrong Hu and Xi Wu and Xin Wang},
journal= {arXiv preprint arXiv:2501.05464},
year = {2025}
}