LLM4Sweat: A Trustworthy Large Language Model for Hyperhidrosis Support

📄 arXiv: 2508.15192v1 📥 PDF

作者: Wenjie Lin, Jin Wei-Kocsis

分类: cs.AI, cs.CL

发布日期: 2025-08-21

💡 一句话要点

提出LLM4Sweat，一个用于多汗症支持的可信大型语言模型框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 多汗症 数据增强 医疗健康 罕见疾病

📋 核心要点

  1. 现有方法缺乏针对罕见疾病（如多汗症）的定制LLM，且高质量训练数据稀缺。
  2. LLM4Sweat通过数据增强、微调和专家评估的三阶段流程，构建领域特定的LLM。
  3. 实验结果表明，LLM4Sweat在多汗症支持方面优于基线模型，具有实际应用价值。

📝 摘要（中文）

大型语言模型(LLMs)在医疗保健领域展现了潜力，但由于稀缺且不可靠的数据集，它们在罕见疾病方面的应用受到限制。多汗症是一种超出正常生理需求的过度出汗疾病，影响2-3%的人口，严重影响身心健康。目前还没有专门为多汗症的诊断或护理定制的LLM。为了解决这个问题，我们提出了LLM4Sweat，一个开源的、领域特定的LLM框架，用于提供可信和富有同情心的多汗症支持。该系统遵循一个三阶段流程：数据增强阶段，利用前沿LLM从精选的开源数据中生成医学上合理的合成病例，以创建多样化和平衡的问答数据集；微调阶段，在数据集上微调开源基础模型，以提供诊断、个性化治疗建议和富有同情心的心理支持；推理和专家评估阶段，临床和心理专家评估准确性、适当性和同情心，并使用验证后的响应迭代地丰富数据集。实验表明，LLM4Sweat优于基线模型，并提供了首个用于多汗症的开源LLM框架，为其他具有类似数据和可信度挑战的罕见疾病提供了一种通用的方法。

🔬 方法详解

问题定义：论文旨在解决多汗症患者缺乏有效且可信的AI支持系统的问题。现有通用LLM在处理罕见疾病时，由于缺乏高质量的训练数据，往往表现不佳，无法提供准确的诊断、个性化治疗建议和情感支持。因此，如何构建一个针对多汗症的、可信赖的LLM是本研究要解决的核心问题。

核心思路：论文的核心思路是利用数据增强技术，弥补多汗症领域数据稀缺的不足，并结合专家评估，确保LLM输出结果的准确性和可信度。通过生成合成数据，扩大训练数据集，并使用领域专家进行验证，从而提高LLM在多汗症领域的专业性和可靠性。

技术框架：LLM4Sweat框架包含三个主要阶段：1) 数据增强阶段：利用大型语言模型生成医学上合理的合成病例，构建多样化和平衡的问答数据集。2) 微调阶段：在增强后的数据集上微调开源基础模型，使其具备诊断、个性化治疗建议和情感支持能力。3) 推理和专家评估阶段：临床和心理专家评估LLM的输出结果，验证其准确性、适当性和同情心，并将验证后的数据反馈回数据集，进行迭代优化。

关键创新：该研究的关键创新在于构建了一个针对罕见疾病的、可信赖的LLM框架。通过数据增强和专家评估相结合的方式，有效解决了数据稀缺和模型可信度低的问题。此外，该框架具有通用性，可以应用于其他具有类似数据和可信度挑战的罕见疾病。

关键设计：在数据增强阶段，使用了高质量的开源医学知识库作为先验知识，指导LLM生成合成数据，保证数据的医学合理性。在微调阶段，选择了合适的开源基础模型，并针对多汗症领域的特点，设计了特定的微调策略。在专家评估阶段，制定了详细的评估标准，包括准确性、适当性和同情心等方面，确保评估结果的客观性和可靠性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

LLM4Sweat在多汗症支持方面表现出显著优势，超越了基线模型。通过专家评估，验证了LLM4Sweat在诊断准确性、治疗建议合理性和情感支持方面的有效性。该研究首次构建了针对多汗症的开源LLM框架，为相关领域的研究和应用提供了宝贵资源。

🎯 应用场景

LLM4Sweat可应用于在线医疗咨询平台，为多汗症患者提供初步诊断、个性化治疗建议和心理支持。该研究成果有助于提高患者对多汗症的认知，缓解其身心压力，并为医生提供辅助诊断工具。未来，该框架可推广至其他罕见疾病领域，提升医疗服务的可及性和质量。

📄 摘要（原文）

While large language models (LLMs) have shown promise in healthcare, their application for rare medical conditions is still hindered by scarce and unreliable datasets for fine-tuning. Hyperhidrosis, a disorder causing excessive sweating beyond physiological needs, is one such rare disorder, affecting 2-3% of the population and significantly impacting both physical comfort and psychosocial well-being. To date, no work has tailored LLMs to advance the diagnosis or care of hyperhidrosis. To address this gap, we present LLM4Sweat, an open-source and domain-specific LLM framework for trustworthy and empathetic hyperhidrosis support. The system follows a three-stage pipeline. In the data augmentation stage, a frontier LLM generates medically plausible synthetic vignettes from curated open-source data to create a diverse and balanced question-answer dataset. In the fine-tuning stage, an open-source foundation model is fine-tuned on the dataset to provide diagnosis, personalized treatment recommendations, and empathetic psychological support. In the inference and expert evaluation stage, clinical and psychological specialists assess accuracy, appropriateness, and empathy, with validated responses iteratively enriching the dataset. Experiments show that LLM4Sweat outperforms baselines and delivers the first open-source LLM framework for hyperhidrosis, offering a generalizable approach for other rare diseases with similar data and trustworthiness challenges.