大模型与医学人工智能

关注

原创最新推荐文章于 2026-04-08 21:40:28 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

【论文阅读】Benchmarking Retrieval-Augmented Generation for Medicine 在PubMedQA*和BioASQ-Y/N数据集中，模型的准确率随片段中关键信息位置的变化呈现先下降后上升的U型变化，U-shaped decreasing-then-increasing pattern，这暗示在未来的医学RAG研究中安排片段位置的重要性。对于数据隐私敏感的高风险场景，Mixtral等开源模型是不错的选择。：当关键信息出现在检索片段的中间时，MEDRAG的表现最差，这被称为“lost-in-the middle”，表明信息的位置对模型的回答能力有很大影响。阅读详情

颠覆性技术如大模型和人工智能正以迅猛的速度改变医疗健康领域。《论文速读》栏目旨在跟踪这些领域的最新进展，整理全球学术期刊中的前沿论文，帮助读者洞悉热门领域的最新趋势和突破。**医学教育是大型语言模型（LLMs）应用极具前景和潜力的方向之一。本期将深入探讨LLMs在医学教育领域的应用，内容涵盖相关研究综述、智能体、虚拟患者、数据集构建以及针对医学教育场景的LLMs评估等多个方向，旨在探索LLMs技术如何推动医学教育的智能化发展和变革性创新。**期待与您共同探索大模型和医学人工智能领域的前沿科研成果。

01.Are Artificial Intelligence Virtual Simulated Patients (AI-VSP) a Valid Teaching Modality for Health Professional Students?

◎ 标题：人工智能虚拟模拟患者（AI-VSP）是否是对健康专业学生有效的教学模式？

◎ 摘要：基于模拟的学习是强大的，但新冠疫情为新型模式创造了机会，包括人工智能虚拟模拟患者(AI-VSP)情景。在 2019 年至 2022 年期间,以下医疗专业学生在一所美国大学经历了 AI-VSP: (a)"头痛"场景:24 名家庭护理实践者(FNP)和 48 名医师助理(PA)学生, (b)"失眠"场景:64 名护理学士(BSN)和 47 名加速护理学士(ABSN)学生。每个学生都进行了简短且强烈鼓励的接触,并随后选择参加了我们的研究。当被问及该情景的真实性时,积极的答复是 50%(家庭护理人员), 16%(实习助理), 63%(护理学士学位), 87%(加快护理学士学位)。此外,41%的家庭护理人员、52%的实习助理、65%的护理学士学位、82%的加快护理学士学位觉得自己能够像对待真实患者一样全面地制定诊断和治疗计划。关于提高诊断能力,积极的反馈分别是 73%(家庭护理人员), 74%(实习助理), 72%(护理学士学位), 90%(加快护理学士学位)。当被问及是否会向他人推荐 AI-VSP 交流时,91%(家庭护理人员), 84%(实习助理), 93%(护理学士学位), 90%(加快护理学士学位)都表示同意。人工智能虚拟模拟场景受到学生的广泛接受,，并显示出作为基于模拟的学习方式的重大潜力。

Figure：summarize four of the eight Likert-style items across all four cohorts of learners.

02.Benchmarking Large Language Models on Communicative Medical Coaching: a Novel System and Dataset

◎ 标题：在交流式医学辅导中对大型语言模型进行基准测试：一种新的系统和数据集

◎ 摘要：自然语言处理（NLP）在医疗保健领域的传统应用主要集中在以患者为中心的服务上，通过医疗对话系统等方式加强患者互动和医疗服务。然而，NLP 为缺乏经验的医生带来益处的潜力，尤其是在交流式医疗指导等领域，在很大程度上仍未得到开发。我们介绍的 "ChatCoach "是一个人类与人工智能合作框架，旨在帮助医学学习者在患者咨询过程中练习沟通技巧。ChatCoach 本身有别于传统的对话系统，它提供了一个模拟环境，医学学习者可以在此环境中与病人代理练习对话，而教练代理则提供即时、结构化的反馈。我们提出的 “广义思维链”（GCoT）方法可促进结构化反馈的生成，并加强对外部知识源的利用。此外，我们还开发了一个数据集，专门用于评估 ChatCoach 框架内的大型语言模型（LLMs）在医学交流辅导任务中的应用。我们的实证结果验证了 ChatCoach 的有效性。

Figure：(a) General framework of communicative medical coaching. (b) Multi-agent data generation framework using external resources.

03.Integrating Large Language Models in Bioinformatics Education for Medical Students: Opportunities and Challenges

◎ 标题：将大型语言模型整合到医学生的生物信息学教育中：机遇与挑战

◎ 摘要：大型语言模型（LLMs）通过创建互动体验，为医学生在生物信息学教育中提供了变革性机会。LLMs的整合通过提供易于访问的代码模板、澄清编码元素的功能以及协助错误排除，增强了教育成果。在这里，我们通过一个转录组测序数据处理的案例研究展示了LLMs的实际应用，这是医学研究的重要组成部分。然而，LLMs生成的内容的可靠性需要严格验证。确保LLM生成的信息的准确性和适当性需要将创新LLMs与传统教育方法相结合，有效地为医学生准备未来生物信息学领域的挑战。

04.Large language models and medical education: a paradigm shift in educator roles

◎ 标题：大型语言模型和医学教育：教育者角色的范式转变

◎ 摘要：本文详细研究了医学教育中教育者角色的转变，背景是新兴的大型语言模型（LLMs）。传统上，教育者在传授知识、培训技能和评估教育成果方面发挥着关键作用。然而，像 Chat Generative Pre-trained Transformer-4 这样的LLMs的出现通过利用机会来增强教学效率、促进个性化学习和优化资源分配，扩展和丰富了这些传统角色。这赋予了传统医学教育者角色新的内涵。同时，LLMs也给医学教育带来了挑战，如确保信息准确性、减少偏见、减少学生过度依赖、防止患者隐私曝露和保障数据安全、增强同理心培养以及维护学术诚信。作为回应，教育者被要求承担新的角色，包括信息管理专家、学习导航员、学术诚信守护者和临床实践捍卫者。本文强调了医学教师角色的丰富内涵和属性，强调了他们在人工智能驱动的医学教育演变中不可替代的价值。教育者被描绘为不仅是先进技术的使用者，还是医学教育本质的守护者。

Figure: Traditional medical teacher roles (left) and new attributes endowed to medical teachers (right) by large language models (LLMs)

05.PATIENT-Ψ: Using Large Language Models to Simulate Patients for Training Mental Health Professionals

◎ 标题：PATIENT-Ψ: 使用大型语言模型模拟患者，培训心理健康专业人士

◎ 摘要：精神疾病仍然是最关键的公共卫生问题之一，现有的精神健康支持与患者需求之间存在显著差距。许多精神健康专业人士强调他们的培训与现实世界患者互动之间存在脱节，导致一些实习生感到毫无准备，可能影响他们早期职业成功。在本文中，我们提出了 PATIENT-Ψ，这是一个新颖的认知行为疗法（CBT）培训患者模拟框架。为了构建 PATIENT-Ψ，我们基于 CBT 原则构建了多样化的患者档案及其相应的认知模型，然后使用大型语言模型（LLMs）编程患者认知模型，以充当模拟治疗患者。我们提出了一个互动培训方案，即 PATIENT-Ψ-TRAINER，供精神健康实习生通过与 PATIENT-Ψ进行角色扮演治疗会话来练习 CBT 的一个关键技能——制定患者的认知模型。为了评估 PATIENT-Ψ，我们对 4 名精神健康实习生和 10 名专家进行了用户研究。结果表明，使用 PATIENT-Ψ-TRAINER 进行实践极大地增强了学员的技能习得和信心，超越了现有的培训形式，如教科书、视频和与非患者进行角色扮演。根据专家的看法，PATIENT-Ψ被认为比 GPT-4 更接近真实患者互动，而 PATIENT-Ψ-TRAINER 有望提高学员的能力。我们的先导患者模拟培训框架，使用LLMs，具有极大的潜力来增强和推进心理健康培训，最终导致改善患者护理和结果。我们将发布所有数据、代码和培训平台。

Figure: The overall framework of PATIENT-Ψ and PATIENT-Ψ-TRAINER.

06.Synthetic Patients: Simulating Difficult Conversations with Multimodal Generative AI for Medical Education

◎ 标题：合成患者：通过多模态生成人工智能模拟困难对话进行医学教育

◎ 摘要：有效的以患者为中心的沟通是医生的核心能力。然而，无论是经验丰富的医生还是医学实习生都报告在引导涉及目标护理或临终讨论等敏感话题的对话方面信心下降。在医学教育中，提供专门培训以引导困难对话所需的重大行政负担和资源一直是一个长期存在的问题。在这项研究中，我们提出了一种新颖的教育工具，旨在通过多模式生成人工智能（AI）在视频格式中促进互动、实时模拟困难对话。利用最近在语言建模、计算机视觉和生成音频方面的进展，该工具通过合成患者或“合成患者”在自定义视频聊天应用程序中与用户互动，为学习者提供与来自不同信仰系统、个性和种族背景的患者进行对话练习的机会。尽管这个平台的开发需要大量的前期劳动投资，但它提供了一种高度逼真的模拟体验，而且只需很少的财务投资。对于医学实习生来说，这种教育工具可以在课程中实施，模拟患者与医护人员的对话，并可以纳入现有的姑息治疗课程中，为掌握困难对话提供可扩展的、高保真的模拟环境。未来将探索通过与患者合作，将他们的历史和个性纳入其中，以增强这些互动的真实性，同时利用人工智能生成的评估来为学习者在模拟后提供即时、建设性的反馈。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述