Conversational Disease Diagnosis via External Planner-Controlled Large Language Models

📄 arXiv: 2404.04292v5 📥 PDF

作者: Zhoujian Sun, Cheng Luo, Ziyi Liu, Zhengxing Huang

分类: cs.CL, cs.AI

发布日期: 2024-04-04 (更新: 2024-05-20)

备注: Work in Progress

💡 一句话要点

提出基于外部规划器的LLM对话式疾病诊断系统

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 医学诊断 强化学习 疾病筛查 鉴别诊断 电子病历 智能医疗

📋 核心要点

  1. 现有的LLM在主动收集患者数据方面存在不足，限制了其在实际诊断中的应用。
  2. 本研究提出了一种结合两个外部规划器的LLM诊断系统，模拟医生进行疾病筛查和鉴别诊断。
  3. 实验结果显示，该系统在疾病筛查和鉴别诊断任务中表现优异，显著提升了诊断能力。

📝 摘要（中文）

大型语言模型（LLMs）的发展为基于人工智能的医学诊断带来了前所未有的可能性。然而，LLMs在实际诊断场景中的应用仍不明确，因为它们不擅长主动收集患者数据。本研究提出了一种基于LLM的诊断系统，通过模拟医生的方式增强规划能力。该系统涉及两个外部规划器来处理规划任务，第一个规划器采用强化学习方法制定疾病筛查问题并进行初步诊断，第二个规划器利用LLMs解析医学指南并进行鉴别诊断。通过利用真实患者的电子病历数据，我们构建了虚拟患者与医生之间的模拟对话，并评估了系统的诊断能力。研究表明，该系统在疾病筛查和鉴别诊断任务中表现出色，代表了将AI更无缝地整合到临床环境中的一步，可能提高医学诊断的准确性和可及性。

🔬 方法详解

问题定义：本论文旨在解决大型语言模型在医学诊断中主动收集患者数据的不足，现有方法难以有效进行初步诊断和鉴别诊断。

核心思路：论文提出的解决方案通过引入两个外部规划器，分别负责疾病筛查和鉴别诊断，模拟医生的思维过程，从而提高诊断的准确性和效率。

技术框架：整体架构包括两个主要模块：第一个模块使用强化学习生成疾病筛查问题，第二个模块利用LLMs解析医学指南进行鉴别诊断。系统通过真实患者的电子病历数据进行训练和评估。

关键创新：最重要的创新在于结合了强化学习和LLMs的优势，通过外部规划器的设计，提升了LLMs在医学诊断中的应用能力，区别于传统的单一LLM模型。

关键设计：在技术细节上，强化学习规划器的训练过程采用特定的奖励机制，以优化问题生成的质量；LLMs的解析过程则基于最新的医学指南，确保诊断的科学性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的系统在疾病筛查和鉴别诊断任务中表现优异，具体性能数据未详细列出，但整体提升幅度显著，显示出与传统方法相比的优势，进一步验证了系统的有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括医院的智能诊断系统、远程医疗服务以及医疗教育等。通过提高诊断的准确性和效率，该系统有望减轻医生的工作负担，提升患者的就医体验，未来可能在临床实践中发挥重要作用。

📄 摘要（原文）

The development of large language models (LLMs) has brought unprecedented possibilities for artificial intelligence (AI) based medical diagnosis. However, the application perspective of LLMs in real diagnostic scenarios is still unclear because they are not adept at collecting patient data proactively. This study presents a LLM-based diagnostic system that enhances planning capabilities by emulating doctors. Our system involves two external planners to handle planning tasks. The first planner employs a reinforcement learning approach to formulate disease screening questions and conduct initial diagnoses. The second planner uses LLMs to parse medical guidelines and conduct differential diagnoses. By utilizing real patient electronic medical record data, we constructed simulated dialogues between virtual patients and doctors and evaluated the diagnostic abilities of our system. We demonstrated that our system obtained impressive performance in both disease screening and differential diagnoses tasks. This research represents a step towards more seamlessly integrating AI into clinical settings, potentially enhancing the accuracy and accessibility of medical diagnostics.