Guiding Clinical Reasoning with Large Language Models via Knowledge Seeds

要約

臨床推論とは、医師が患者を評価および管理する際に使用する認知プロセスを指します。
このプロセスには通常、必要な検査の提案、患者の病気の診断、適切な治療法などの決定が含まれます。正確な臨床推論には広範な医学知識と豊富な臨床経験が必要であり、医師のハードルは高くなります。
発展途上国では、患者数が圧倒的に多く医師のリソースが限られているため、これは特に困難であり、世界的な健康不平等に大きく寄与しており、自動化された臨床推論アプローチが必要です。
最近、ChatGPT や GPT-4 などの大規模言語モデル (LLM) の出現により、臨床推論におけるそれらの可能性が実証されました。
ただし、これらの LLM は幻覚の問題を起こしやすく、LLM の推論プロセスは医師の臨床決定経路と一致しない可能性があります。
この研究では、医療知識で LLM を強化するために設計された新しいフレームワークである In-Context Padding (ICP) を紹介します。
具体的には、重要な臨床推論要素 (知識シードと呼ばれる) を推測し、これらをアンカーとして使用して、LLM の生成プロセスをガイドします。
2 つの臨床質問データセットに関する実験により、ICP が LLM の臨床推論能力を大幅に向上させることが実証されました。

要約(オリジナル)

Clinical reasoning refers to the cognitive process that physicians employ in evaluating and managing patients. This process typically involves suggesting necessary examinations, diagnosing patients’ diseases, and deciding on appropriate therapies, etc. Accurate clinical reasoning requires extensive medical knowledge and rich clinical experience, setting a high bar for physicians. This is particularly challenging in developing countries due to the overwhelming number of patients and limited physician resources, contributing significantly to global health inequity and necessitating automated clinical reasoning approaches. Recently, the emergence of large language models (LLMs) such as ChatGPT and GPT-4 have demonstrated their potential in clinical reasoning. However, these LLMs are prone to hallucination problems, and the reasoning process of LLMs may not align with the clinical decision path of physicians. In this study, we introduce a novel framework, In-Context Padding (ICP), designed to enhance LLMs with medical knowledge. Specifically, we infer critical clinical reasoning elements (referred to as knowledge seeds) and use these as anchors to guide the generation process of LLMs. Experiments on two clinical question datasets demonstrate that ICP significantly improves the clinical reasoning ability of LLMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google