基于电子病历的临床多步骤诊断数据集MSDiagnosis
内容提要
本文探讨了利用LSTM和大型语言模型（LLMs）从胸部X光片中预测病理模式的研究进展，提出了多种提高自动诊断准确性的方法，包括基于提示的学习和知识图谱的整合。研究表明，聚合不同模型的诊断结果能提升准确性，并通过个性化风险估计减少诊断错误，为临床推理提供新突破。
延伸解读
多模态评估揭示LLM诊断能力与局限
文章提到以GPT-4-Vision-Preview为例的多步骤评估法，在病理学多项选择题中达到约84%的正确诊断。这一结果说明当前多模态大模型已具备一定的医学诊断准确性，但研究也通过结构化交互分析指出了其在特定领域的不足。读者需注意，该评估基于选择题形式，与实际临床开放场景存在差异，不能直接等同于真实诊断水平。
聚合多模型回答可提升诊断准确性
研究使用200个真实病例，对比了OpenAI GPT-4、Google PaLM 2、Cohere Command、Meta Llama 2等商业大模型单独提取诊断与聚合多个模型回答后的诊断准确性。结果显示，聚合不同模型的回答能更准确地产生鉴别诊断。这提示在临床辅助决策中，集成多模型输出可能比依赖单一模型更可靠，但文章未说明聚合的具体实现成本与延迟。
知识图谱与图模型增强电子病历诊断
文章介绍了Dr.Knows和medIKAL两种方法，前者结合医学知识图谱与图模型提升自动诊断生成能力，无需预训练；后者通过实体加权重要性和路径重排序等策略，增强大语言模型对电子病历的诊断能力。这些方法表明，将结构化医学知识融入LLM可改善推理质量，但文章未提供与纯LLM方法的量化对比，实际增益仍需进一步验证。
LLM用于个体化风险估计以减少诊断错误
文章提出使用LLM识别电子健康记录中表明诊断风险增加或减少的证据，并通过神经附加模型在临床医生不确定时点进行预测，提供个体化风险估计。该方法旨在减少诊断延误和不完整鉴别引起的错误，还通过模拟临床医生在预定义鉴别诊断列表中选择来评估实用性。不过，其临床落地效果和泛化能力尚未在文中给出大规模验证结果。
Q&A
LSTM在胸部X光片诊断中有什么应用？
LSTM用于从胸部X光片中预测14种病理模式，取得了最新技术成果。
如何提高自动诊断的准确性？
通过诊断驱动提示的医学报告生成方法和结合医学知识图谱，可以提高自动诊断的准确性。
什么是medIKAL框架，它的作用是什么？
medIKAL框架整合知识图谱和大型语言模型，提升电子病历的诊断能力，为临床推理提供新突破。
多步骤评估法在大型语言模型评估中有什么作用？
多步骤评估法通过结构化交互方式提高大型语言模型的准确性和实用性。
如何通过LLMs减少诊断错误？
使用LLMs识别电子健康记录中的诊断风险，并提供个性化风险估计，以减少诊断错误。
聚合不同大型语言模型的回答有什么好处？
聚合不同大型语言模型的回答能够更准确地产生不同诊断，提高诊断的准确性。
