A Role-specific Guided Large Language Model for Ophthalmic Consultation Based on Stylistic Differentiation

要約

眼科の診察は、目の病気の診断、治療、予防にとって非常に重要です。
しかし、相談需要の高まりにより、眼科医の対応力を超えています。
大規模な事前トレーニング済み言語モデルを活用することで、特定のシナリオに合わせた効果的な対話を設計でき、相談を支援します。
質問応答タスクの従来の微調整戦略は、モデルのサイズが増大し、診察中の患者と医師の役割機能が無視されることが多いため、非現実的です。
この論文では、医師と患者の役割認識に導かれ、外部疾患情報による知識ベースの強化を通じて精度を向上させる眼科医療質問大規模言語モデルである EyeDoctor を提案します。
実験結果では、EyeDoctor は眼科診療においてより高い質問応答精度を実現しています。
特に、EyeDoctor は、2 番目に優れたモデル ChatGPT と比較して、マルチラウンド データセットで Rouge-1 スコアが 7.25% 向上し、F1 スコアが 10.16% 向上したことを実証し、インテリジェント医療における医師と患者の役割の区別と動的な知識ベースの拡張の重要性を強調しています。
相談。
EyeDoc は無料で利用できる Web ベースのサービスとしても機能し、ソース コードは https://github.com/sperfu/EyeDoc で入手できます。

要約(オリジナル)

Ophthalmology consultations are crucial for diagnosing, treating, and preventing eye diseases. However, the growing demand for consultations exceeds the availability of ophthalmologists. By leveraging large pre-trained language models, we can design effective dialogues for specific scenarios, aiding in consultations. Traditional fine-tuning strategies for question-answering tasks are impractical due to increasing model size and often ignoring patient-doctor role function during consultations. In this paper, we propose EyeDoctor, an ophthalmic medical questioning large language model that enhances accuracy through doctor-patient role perception guided and an augmented knowledge base with external disease information. Experimental results show EyeDoctor achieves higher question-answering precision in ophthalmology consultations. Notably, EyeDoctor demonstrated a 7.25% improvement in Rouge-1 scores and a 10.16% improvement in F1 scores on multi-round datasets compared to second best model ChatGPT, highlighting the importance of doctor-patient role differentiation and dynamic knowledge base expansion for intelligent medical consultations. EyeDoc also serves as a free available web based service and souce code is available at https://github.com/sperfu/EyeDoc.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google