面向医生的LLM：利用医学大语言模型辅助医生，而非取代他们
计算与语言
2024-06-27 v1
摘要
大型语言模型近期的成功对医疗领域产生了重大影响，为患者提供医疗建议、诊断信息等。然而，由于缺乏专业医学知识，患者很容易被LLM生成的错误信息误导，这可能导致严重的医疗问题。为解决此问题，我们专注于将LLM调整为与更有经验的医生协作的医疗助手。我们首先通过启发-反馈进行两阶段调查，以广泛了解医生对医疗助手的真实需求。基于此，我们构建了一个名为DoctorFLAN的中文医学数据集，以支持医生的完整工作流程，该数据集包含来自22个任务和27个专科的92K个问答样本。此外，我们通过构建包含550个单轮问答的DoctorFLAN-test和包含74个多轮对话的DotaBench，在面向医生的场景中评估LLM。评估结果表明，作为医疗助手对现有的开源模型仍然构成挑战，但DoctorFLAN可以显著帮助它们。这表明我们构建的面向医生的数据集和基准可以补充现有的面向患者的工作，并更好地促进医学LLM研究。
引用
@article{arxiv.2406.18034,
title = {LLMs for Doctors: Leveraging Medical LLMs to Assist Doctors, Not Replace Them},
author = {Wenya Xie and Qingying Xiao and Yu Zheng and Xidong Wang and Junying Chen and Ke Ji and Anningzhe Gao and Xiang Wan and Feng Jiang and Benyou Wang},
journal= {arXiv preprint arXiv:2406.18034},
year = {2024}
}