Die Auswirkungen eines großen Sprachmodells auf klinische Fragefähigkeiten

Gegenwärtig besteht die Hauptform der Vermittlung klinischer Fragefähigkeiten darin, dass Studenten, die an der Ausbildung teilnehmen, zunächst die Merkmale und diagnostischen Punkte von Fällen erlernen und dann das Befragen an echten Patienten auf den Stationen üben. Allerdings ist es aufgrund der großen Anzahl an Praktikanten schwierig, den Lehrbedarf im Hinblick auf die Anzahl der zur Befragung verfügbaren Fälle und die Vielfalt der Krankheitstypen im aktuellen Lehrmodus zu decken. Daher ist es notwendig, neue intelligente Technologien zu nutzen und ein neues Modell für die Vermittlung von Fragefähigkeiten zu schaffen, um die Lehreffizienz zu verbessern und das klinische Denken der Studierenden zu verbessern.

Large-Scale Language Modeling (LLM) ist eine Deep-Learning-Technologie, die aus einer großen Textmenge Wissen lernen kann. KI-Chatbots wie ChatGPT sind ein typisches Beispiel für ihre Anwendung. KI-Chatbots zeichnen sich durch anthropomorphes Verständnis und vielfältige Fähigkeiten zur Erzeugung natürlicher Sprache in verschiedenen Kontexten aus und wurden zunächst im medizinischen Bereich eingesetzt, beispielsweise beim Bestehen der US-amerikanischen medizinischen Zulassungsprüfung, bei der Unterstützung bei der Dokumentation der ophthalmologischen Vorgeschichte und bei der Beantwortung ophthalmologischer Fragen. Es wurde jedoch festgestellt, dass LLM zwar eine recht gute Modellierungsleistung im allgemeinen medizinischen Wissen aufweist, im Bereich der Spezialkrankheiten jedoch noch verbessert werden muss. Auf dieser Grundlage hat das Forscherteam das Lehrbuch der Augenheilkunde, den Konsens über klinische Leitlinien, die Internet-Konversationsdaten und die Wissensdatenbank des Zhongshan Ophthalmology Center im Frühstadium genutzt, kombiniert mit künstlichem Feedback-Verstärkungslernen und anderen Techniken, um das LLM zu verfeinern und zu trainieren und entwickelte „Digital Twin Patient“, ein lokalisiertes großes Sprachmodell, das in der Lage ist, medizinische Fragen im Zusammenhang mit der Augenheilkunde zu beantworten, und konstruierte außerdem eine Kombination aus automatisierter Modellbewertung und manueller Bewertung durch medizinische Experten. Gleichzeitig wurde das Bewertungssystem aufgebaut, das automatisierte Modellbewertung und manuelle Bewertung durch medizinische Experten kombiniert.

Ziel dieses Projekts ist es, „Digital Twin Patient“ in die Grundausbildung zum Augenarzt zu integrieren, den Beratungsprozess realer Patienten durch die Online-Interaktion zwischen Studenten und „Digital Twin Patient“ zu simulieren, die Wirkung des Beratungsunterrichts „Digital Twin Patient“ zu untersuchen und neue Technologien bereitzustellen Werkzeuge, die Medizinstudenten dabei unterstützen, sich aktiv mit verschiedenen Fällen der Augenheilkunde zu befassen, das klinische Denken zu fördern und die Möglichkeit zu bieten, eine neue Art des intelligenten Unterrichts zu schaffen.