PlugMed：利用上下文学习提升以患者为中心的医疗对话生成特异性
计算与语言
2023-10-19 v2 人工智能
摘要
以患者为中心的医疗对话系统旨在通过强调提供针对患者特异性回复的重要性，为医学知识较少的用户提供诊断解读服务。尽管大语言模型（LLM）即便在医疗领域部分任务中表现可期，仍难以保证回复的特异性。受上下文学习启发，我们提出 PlugMed，一种即插即用医疗对话系统，以应对该挑战。PlugMed 配备提示生成（PG）模块与回复排序（RR）模块两个模块，以增强 LLM 的对话策略、提升对话特异性。PG 模块旨在通过向 LLM 提供相似患者的真实对话作为提示，激发其模仿能力。RR 模块引入微调小模型作为回复过滤器，以筛选 LLM 生成的恰当回复。此外，我们提出一种基于匹配用户意图与高频医学术语的新评估方法，以有效评判回复特异性。我们在三个医疗对话数据集上开展实验评估，自动与人工评估结果均表明本方法有效。
引用
@article{arxiv.2305.11508,
title = {PlugMed: Improving Specificity in Patient-Centered Medical Dialogue Generation using In-Context Learning},
author = {Chengfeng Dou and Zhi Jin and Wenping Jiao and Haiyan Zhao and Zhenwei Tao and Yongqiang Zhao},
journal= {arXiv preprint arXiv:2305.11508},
year = {2023}
}
备注
Accepted by EMNLP 2023 Findings