AI KUTATÁS
Agent Hospital: Virtuális orvosi létesítmény szimulációja orvos-ágensek képzéséhez
A Tsinghua University kutatói egy kórházat szimuláltak, amelyet LLM-alapú, pácienseket és orvosi személyzetet alakító ágensekkel népesítettek be. Bebizonyították, hogy egy ilyen szimuláció segítségével javítható az LLM-ek valós teljesítménye az orvosi tesztvizsgákon. Az "Agent Hospital" megközelítés a betegségek kezelésének teljes folyamatát szimulálja. A pácienseket LLM-ek generálják, és valódi orvosi szakirodalmon alapuló specifikus betegségeik vannak. Az orvosi személyzet a kórház különböző részlegein dolgozik, olyan szerepköröket betöltve, mint a radiológia, bőrgyógyászat és belgyógyászat.
Körülbelül tízezer beteg ellátása után (ami egy hús-vér orvosnak több mint két évbe telne), a továbbfejlesztett orvos-ágens 93,06%-os, kiemelkedő pontosságot ért el a MedQA adatkészlet főbb légzőszervi betegségeket lefedő részén. A szimuláció lehetővé teszi az ágensek számára, hogy folyamatos interakciók és visszacsatolási hurkok révén finomítsák és bővítsék szakértelmüket manuálisan felcímkézett adatok nélkül.
- A teljes kezelési folyamatot szimulálja a triázstól az utókövetésig
- A beteg-ágensek valódi orvosi szakirodalmon és változatos perszónákon alapulnak
- Az orvos-ágensek a szimuláció során jelentős orvosi feljegyzésekből és tapasztalatokból álló tudásbázist építenek ki
- 93,06%-os pontosságot ért el a MedQA légzőszervi betegségek alcsoportján
- Manuálisan felcímkézett adatok nélkül növeli a teljesítményt
Miért fontos?
Távolabbról nézve az Agent Hospital egy újabb példa arra, hogyan fokozhatjuk az AI rendszerek teljesítményét a szintetikus adatok (beteg és egészségügyi szakember perszónák és viselkedések) és a valós adatok (orvosi feljegyzések) gondos keverésével. Ez az általános megközelítés azért működik, mert a mögöttes LLM-ek már elég jók ahhoz, hogy a „bízz, de ellenőrizz” elv mentén tömeges szintetikus adatot generáljanak, miközben csak a tevékenységük időszakos validálását kell megoldani. ---