Effekterna av en stor språkmodell på klinisk frågeställning

För närvarande är den huvudsakliga formen för undervisning i klinisk frågeställning att låta studenter som deltar i lärlingsutbildningen först lära sig egenskaper och diagnostiska punkter i fall, och sedan öva förhör på riktiga patienter på avdelningarna. På grund av det stora antalet praktikanter är det emellertid svårt att tillgodose undervisningsefterfrågan i fråga om antalet tillgängliga fall för förhör och rikedomen av sjukdomstyper under det nuvarande undervisningssättet. Därför är det nödvändigt att använda ny intelligent teknik och skapa en ny modell för att ifrågasätta färdighetsundervisning för att förbättra undervisningens effektivitet och förbättra elevernas kliniska tänkande.

Storskalig språkmodellering (LLM) är en djupinlärningsteknik som kan lära sig kunskap från en stor mängd text, och AI-chatbotar som ChatGPT är ett typiskt exempel på dess tillämpning. AI-chatbotar kännetecknas av antropomorf förståelse och diversifierad förmåga att skapa naturliga språk i olika sammanhang, och har initialt använts inom det medicinska området, som att klara U.S. Medical Licensing Examination, hjälpa till med oftalmologisk historia och svara på oftalmologiska frågor. Det har emellertid visat sig att även om LLM har rättvisa modelleringsprestanda i allmän medicinsk kunskap, behöver den fortfarande förbättras inom området specialsjukdomar. Baserat på detta har forskargruppen använt oftalmologiläroboken, klinisk riktlinjekonsensus, internetkonversationsdata och kunskapsbas från Zhongshan Ophthalmology Center i ett tidigt skede, kombinerat med artificiell återkopplingsförstärkningsinlärning och andra tekniker för att finjustera och träna LLM , och utvecklade "Digital Twin Patient", en lokaliserad stor språkmodell som har förmågan att svara på oftalmologirelaterade medicinska frågor, och konstruerade även en kombination av automatiserad modellutvärdering och manuell utvärdering av medicinska experter. Utvärderingssystemet som kombinerar automatiserad modellutvärdering och manuell utvärdering av medicinska experter konstruerades samtidigt.

Detta projekt har för avsikt att integrera "Digital tvillingpatient" i oftalmologiutbildning, simulera konsultationsprocessen för riktiga patienter genom onlineinteraktionen mellan studenter och "Digital tvillingpatient", utforska effekten av konsultationsundervisningen "Digital tvillingpatient", tillhandahålla framväxande teknologi verktyg för att vägleda läkarstudenter att aktivt lära sig en mängd olika oftalmologiska fall, odla kliniskt tänkande och ge möjligheten att skapa ett nytt sätt för intelligent undervisning.