Adapting Open-Source Large Language Models for Cost-Effective, Expert-Level Clinical Note

本文是LLM系列文章，针对《Adapting Open-Source Large Language Models for Cost-Effective, Expert-Level Clinical Note Generation with On-Policy Reinforcement Learning》的翻译。

摘要

GPT-4 和 Gemini 等专有大型语言模型 （LLM） 在临床文本摘要任务中表现出有前途的能力。但是，出于患者数据隐私和计算成本的考虑，许多医疗保健提供商更喜欢使用小型的本地托管模型，而不是外部通用 LLM。 本研究为开源 LLaMA-2 130 亿参数模型提出了一个全面的领域和任务特定适应过程，使其能够从门诊医患对话中生成高质量的临床记录。我们的流程包括持续的预训练、监督式微调以及来自 AI 和人类反馈的强化学习。我们引入了一种新方法，DistillDirect，用于以 Gemini 1.0 Pro 作为教师模型进行策略强化学习。我们生成的模型 LLaMA-Clinic 可以生成与医生撰写的临床记录质量相当的临床记录。在一项盲法医生读者研究中，大多数 （90.4%） 的个人评估将 LLaMA-Clinic 生成的笔记评为“可接受”或更高，涵盖所有三个标准：真实世界的准备情况、完整性和准确性。在更具挑战性的 “评估和计划 ”部分，LLaMA-Clinic 在实际准备方面的得分 （4.2/5） 高于医生撰写的笔记