Guiding Clinical Reasoning with Large Language Models via Knowledge Seeds

本文是LLM系列文章，针对《Guiding Clinical Reasoning with Large Language Models via Knowledge Seeds》的翻译。

摘要

临床推理是指医生在评估和管理患者时所采用的认知过程。这一过程通常包括建议必要的检查、诊断患者的疾病和选择适当的治疗方法等。准确的临床推理需要广泛的医学知识和丰富的临床经验，这为医生设定了很高的标准。这在发展中国家尤其具有挑战性，因为患者数量巨大，医生资源有限，严重加剧了全球卫生不平等，需要采用自动化的临床推理方法。最近，大型语言模型（LLM）的出现，如ChatGPT和GPT-4，已经证明了它们在临床推理中的潜力。然而，这些LLM容易出现幻觉问题，LLM的推理过程可能与医生的临床决策途径不一致。在这项研究中，我们引入了一个新的框架，即上下文填充（ICP），以增强医学知识的LLM推理。具体来说，我们推断关键的临床推理元素（称为知识种子），并将其用作锚来指导LLM的生成过程。在两个临床问题数据集上的实验验证了ICP显著提高了LLM的临床推理能力。

1 引言

2 相关工作

3 方法

4 实验和结果

5 分析和案例

6 结论

在这项研究中，我们提出了一个简单而有效的上下文填充框架，该框架1）使用医学知识图谱识别潜在的知识种子；以及2）增强LLM在临床推理