[DrHouse]利用传感器信息和专业知识的诊断系统

三个要点
✔️ 提出了将智能设备的传感器数据与最新医学知识相结合的诊断系统DrHouse。
✔️ 该系统通过多阶段对话仔细检查病人的症状，并通过依次更新每种疾病的概率来提高诊断的准确性。
✔️ 在一项实验中，该系统的诊断准确率比现有方法高出18.8%，并在用户评估中获得了病人和医生的高度支持。

DrHouse: An LLM-empowered Diagnostic Reasoning System through Harnessing Outcomes from Sensor Data and Expert Knowledge
written by Bufang Yang, Siyang Jiang, Lilin Xu, Kaiwei Liu, Hai Li, Guoliang Xing, Hongkai Chen, Xiaofan Jiang, Zhenyu Yan
(Submitted on 21 May 2024)
Comments: Published on arxiv.
Subjects: Artificial Intelligence (cs.AI)

code： 

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

摘要

背景

近年来，使用大规模语言模型（LLMs）的虚拟医生引起了广泛关注。然而，这些系统依赖于患者对症状的主观报告，这增加了误诊的风险。有人担心患者对症状的感知可能不准确或受记忆偏差的影响，从而影响诊断的可靠性。此外，许多现有的基于 LLM 的诊断系统难以纳入最新的医疗数据，而且主要是简单的系统（单转 QA），只有一个问答环节。这就妨碍了收集更多必要的信息来做出更准确的诊断，并可能遗漏潜在的疾病。此外，这些系统没有明确说明诊断结果的概率或依据，这也阻碍了医生和患者对诊断结果的信任。在此背景下，有必要开发更客观、更可靠的诊断系统。我个人强烈认为，需要一种不依赖病人主观报告的诊断方法，我希望技术进步将有助于应对这一挑战。

DrHouse 建议

为了克服这些挑战，本文提出了基于 LLM 的诊断系统 DrHouse，该系统将传感器数据与医学知识相结合。

1. 使用智能设备的传感器数据
   可将从可穿戴设备和其他设备获取的心率、呼吸频率和睡眠模式等数据纳入诊断过程，以提高诊断的客观性和准确性。这样就可以根据实际的生理数据进行诊断，而不是依赖病人的主观报告。这种方法具有创新性，因为它有效地利用了日常生活中收集的数据，有可能提供高度准确的诊断，同时减轻患者的负担。

2. 使用最新医学数据库
   不断学习最新的医学数据库，如 Up-to-Date 和 PubMed，可提高诊断质量。这样就能根据最新的医学知识和实践指南进行诊断，使系统灵活应对医学发展。医学信息每天都在更新，通过吸收最新的研究成果，可以预期会有更恰当的诊断和治疗建议。

3. 引入顺序诊断算法
   引入的算法可提供最佳诊断过程，同时按顺序评估诊断概率。这可确保适当收集诊断过程中所需的信息，从而提高诊断的准确性。具体来说，该系统通过与病人对话详细了解症状，并在必要时获取额外的传感器数据和测试结果，从而提高诊断的准确性。这一过程与实际临床实践类似，即医生在进行诊断时与病人进行互动，有望增加病人的放心和信心。

结果

DrHouse 在三个公开的医疗数据集和一个独立收集的数据集上进行了评估，与最先进的诊断系统相比，准确率高达 18.8%。此外，在对 20 名医生和 12 名患者进行的用户研究中，75% 的医生和 91.7% 的患者支持使用 DrHouse。这些结果表明，DrHouse 在实际临床实践和患者日常生活中非常有用。医生和患者的高度支持给我个人留下了深刻印象，我认为这是 DrHouse 向实际应用迈出的重要一步。

相关研究

基于 LLM 的虚拟医生

基于 LLM 的传统医疗诊断系统有两种类型

• 通过监督学习对 LLM 进行监督微调（监督微调）
  • 例如，Med-PaLM 2、DISC-MedLLM、HuatuoGPT
  • 通过这些方法，LLM 可以学习医疗质量保证数据和诊断对话数据，从而提高诊断的准确性。
• 基于检索的 LLM（基于检索的 LLM）
  • 例如：LLM-AMT、MedDM。
  • 事先建立医疗数据库，通过搜索相应信息回答病人问题的方法。

然而，这些方法面临以下挑战

• 现有方法 依赖于症状的主观报告 ，误诊风险很高。
• 在纳入最新医疗数据方面存在困难，在更新信息方面存在延误。
• 许多系统都是通过单一的问题和答案来完成的，这妨碍了对症状的详细了解。

建议方法

DrHouse 由三个主要模块 组成，整合了传感器数据和医学知识 。

1. 建立知识库

• 收集智能设备的传感器数据（如心率、呼吸频率、睡眠评分）。
• 综合最新医学知识（诊断指南、医学教科书）。

2. 多圈咨询

• 通过与病人对话，详细了解症状。
• 根据需要获取更多传感器数据和测试结果，以提高诊断的准确性。

3. 诊断算法

• 按顺序计算候选疾病的概率，以确定最佳诊断流程。
• 为医生和患者提供清晰的解释，明确说明每种疾病的可能性和合理性。

实验结果

评估数据集

DrHouse 在以下三个公共和专有医疗数据集上进行了评估

1. DIALMED（呼吸科、皮肤科和消化科的医疗互动数据）。
2. MedDG（17 864 个多轮医学对话数据）。
3. KaMed（63 000 多项医疗互动数据）。

此外，还利用独立收集的传感器数据创建了虚拟病人档案。

定量评价

DrHouse 的诊断准确率 比 现有的基于 LLM 的诊断系统高出 18.8% （见图 13 ）。

• 诊断准确率：提高 18.8%
• 传感器数据利用率：提高34.6%。
• 符合诊断标准（符合率）：9.5%有所提高

用户研究

• 75% 的医生支持使用 DrHouse。
• 91.7% 的患者表示愿意使用 DrHouse。

这些结果表明，DrHouse 是一个有望用于实际临床实践的系统。

结论

这项研究提出了 DrHouse ，它整合了传感器数据和医学专业知识，与传统的基于 LLM 的诊断系统相比，能提供更准确的诊断。

三项主要贡献是

1. 将传感器数据纳入诊断过程，以实现客观诊断。
2. 利用不断更新的医学知识，根据最新的诊断标准进行诊断。
3. 能够提供透明的诊断，清楚地说明诊断的可能性和依据。

未来，预计将开发出集成更多样化传感器数据的系统，并实现更先进的诊断功能。

• 
• 
• 

与本文相关的类别

• 论文
• 机器学习
• 深度学习
• 医疗
• 医疗
• 自然语言处理
• 大型语言模型
• 聊天室GPT
• 人工智能