用于忠实临床医学的检索增强与知识 grounded 语言模型
计算与语言
2024-07-23 v4 机器学习
摘要
语言模型（LMs），包括大语言模型（如ChatGPT），有潜力协助临床医生生成各类临床文书。然而，LMs易产生“幻觉”，即生成内容与事实和知识不一致。本文提出ReWriter方法，结合检索增强生成与知识 grounded 推理，使LMs生成忠实的临床文本。我们展示了该方法在生成患者出院指导方面的有效性。它要求LMs不仅理解患者的长程临床文档（即住院期间的健康记录），还要生成出院时提供给照护者与患者本人的关键指导信息。所提ReWriter模仿医师工作模式：首先从医师撰写的历史指导中\textbf{检}索相关工作经验，然后\textbf{推}理相关医学知识；最后\textbf{精}炼检索到的经验与推理出的知识以提取有用信息，用于为既往未见患者生成出院指导。实验表明，采用我们的方法，五个代表性LMs在所有指标上性能均大幅提升。同时，我们给出人工评估结果以衡量流畅性、忠实性与全面性方面的有效性。
引用
@article{arxiv.2210.12777,
title = {Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine},
author = {Fenglin Liu and Bang Yang and Chenyu You and Xian Wu and Shen Ge and Zhangdaihong Liu and Xu Sun and Yang Yang and David A. Clifton},
journal= {arXiv preprint arXiv:2210.12777},
year = {2024}
}