A Multi-Source Context Augmentation Framework for Generating Patient-Centric Medical Responses

本文是LLM系列文章，针对《MedInsight: A Multi Source Context Augmentation Framework for
Generating Patient Centric Medical Responses using Large Language Models》的翻译。

摘要

大型语言模型（LLM）在生成类似人类的反应方面表现出了令人印象深刻的能力。然而，它们缺乏特定领域的知识，限制了它们在医疗环境中的适用性，在医疗环境下，上下文和全面的应对措施至关重要。为了应对这一挑战，并能够生成与上下文相关且全面的以患者为中心的反应，我们提出了MedInsight一个新的检索增强框架，该框架利用来自多个来源的相关背景信息增强LLM输入（提示）。MedInsight从患者的医疗记录或会诊记录中提取相关细节。然后，它整合了权威医学教科书中的信息，并根据患者的健康史和状况策划了网络资源。通过构建一个将患者记录与相关医学知识相结合的增强上下文，MedInsight可以生成丰富的、针对患者的响应，这些响应适合医疗保健应用，如诊断、治疗建议或患者教育。在MTSamples数据集上的实验验证了MedInsight在生成上下文适当的医疗反应方面的有效性。使用Ragas度量和TruLens对答案相似性和正确性进行定量评估，证明了该模型的有效性。此外，涉及主题专家（SME）的人类评估研究证实了MedInsight的效用，评分者对生成的回答的相关性和正确性达成了适度的一致。

1 引言

2 背景和相关工作

3 MEDINSIGHT架构和方法论

4 实验结果和讨论

5 结论和未来工作

大型语言模型在生成上下文反应方面具有非凡的能力。然而，由于缺乏特定领域的知识，它们在医疗保健领域的应用受到限制。为