DISC-MedLLM: Bridging General Large Language Models and Real-World Medical Consultation

要約

当社は、ラージ言語モデル (LLM) を活用して、エンドツーエンドの会話型医療サービスで正確かつ誠実な医療応答を提供する包括的なソリューションである DISC-MedLLM を提案します。
高品質の教師あり微調整 (SFT) データセットを構築するために、私たちは 3 つの戦略を採用しています。それは、医療ナレッジ グラフの利用、現実世界の対話の再構築、そして人による好みの言い換えの組み込みです。
これらのデータセットは DISC-MedLLM のトレーニングに役立ち、シングルターンおよびマルチターンの両方の診察シナリオにおいて既存の医療 LLM を上回ります。
広範な実験結果は、一般的な言語モデルと実際の医療相談の間のギャップを埋める上で、提案されたモデルの有効性を実証しています。
また、構築したデータセットとモデルの重みを公開し、研究開発へのさらなる貢献を目指します。
詳細とリソースは、https://github.com/FudanDISC/DISC-MedLLM でご覧いただけます。

要約(オリジナル)

We propose DISC-MedLLM, a comprehensive solution that leverages Large Language Models (LLMs) to provide accurate and truthful medical response in end-to-end conversational healthcare services. To construct high-quality Supervised Fine-Tuning (SFT) datasets, we employ three strategies: utilizing medical knowledge-graphs, reconstructing real-world dialogues, and incorporating human-guided preference rephrasing. These datasets are instrumental in training DISC-MedLLM, surpassing existing medical LLMs in both single-turn and multi-turn consultation scenarios. Extensive experimental results demonstrate the effectiveness of the proposed model in bridging the gap between general language models and real-world medical consultation. Additionally, we release the constructed dataset and model weights to further contribute to research and development. Further details and resources can be found at https://github.com/FudanDISC/DISC-MedLLM

arxiv情報

提供元, 利用サービス

arxiv.jp, Google