CoD，基于诊断链的可解释医疗智能代理
内容提要
本文探讨了如何提升大型语言模型（LLMs）在医疗诊断中的可解释性和决策逻辑。研究表明，引入链式提示（CoT）和新方法CoD后，诊断准确率显著提高。LLMs在自动化医疗任务中的应用，如临床记录和决策支持，展示了其潜力与挑战。
延伸解读
可解释性与决策逻辑的量化提升
文章指出，在医疗诊断对话系统中加入可解释性和适当的决策逻辑，并通过大规模数据集和透明组件设计，使诊断准确率分别提高了7.7%、10.0%和3.0%。这表明，提升模型的可解释性不仅有助于理解决策过程，还可能直接带来性能增益，为医疗AI的可靠部署提供了实证支持。
DR-CoT：用少量示例激发专家推理
通过将链式提示（CoT）拓展到医学推理领域，研究者提出诊断推理CoT（DR-CoT）。仅向训练于一般文本语料库的大模型提供两个DR-CoT实例进行指导，诊断准确性就提高了15%，在领域外情景中提升达18%。这说明大模型可能已内化专家知识，只需适当提示即可引出。
CoD：多语言词典提升翻译能力
针对多语言神经机器翻译，文章提出CoD方法，利用多语言词典引出大模型的翻译能力。实验显示，ChatGPT在FLORES-200英塞语察里洛文翻译的ChrF++分数从3.08大幅提升至42.63，优于为低资源语言提供少量演示的方法。这为低资源语言翻译提供了新思路。
自动化医疗任务的应用与风险
文章探讨了大模型在临床记录、信息检索、决策支持及自动ICD编码等任务中的应用，并开发了零样本和少样本解决方案。同时，研究也揭示了模型输出的潜在错误，强调在整合和评估过程中需谨慎以确保患者安全。这提醒我们，在拥抱自动化便利的同时，必须建立严格的验证机制。
Q&A
如何提升大型语言模型在医疗诊断中的可解释性？
通过引入链式提示（CoT）和诊断推理 CoT（DR-CoT），可以显著提高大型语言模型的可解释性和决策逻辑。
CoD方法在多语言翻译中有什么优势？
CoD方法通过使用多语言词典，显著提高了大型语言模型在多语言神经机器翻译中的表现，实验结果显示翻译分数有显著提升。
诊断推理 CoT（DR-CoT）如何影响诊断准确性？
通过向大型语言模型提供DR-CoT实例，诊断准确性提高了15%，在领域外情景中提高了18%。
如何实现自动ICD编码？
通过开发零样本和少样本编码分配的解决方案，利用信息提取和GPT-4进行元细化，可以实现自动ICD编码，无需任务特定学习。
大型语言模型在心理治疗中的应用是什么？
使用链式交互提示方法，将大型语言模型应用于心理治疗行为编码，以支持患者状态预测和决策。
在医疗领域中使用大型语言模型的潜在挑战是什么？
大型语言模型在生成患者病情诊断解释时可能输出潜在错误，因此在整合和评估过程中需谨慎，以确保患者安全。
