CoD, Hacia un Agente Médico Interpretable utilizando Cadena de Diagnóstico

CoD, Towards an Interpretable Medical Agent using Chain of Diagnosis

July 18, 2024

Autores: Junying Chen, Chi Gui, Anningzhe Gao, Ke Ji, Xidong Wang, Xiang Wan, Benyou Wang

cs.AI

Resumen

El campo del diagnóstico médico ha experimentado una transformación significativa con la llegada de grandes modelos de lenguaje (LLMs), sin embargo, los desafíos de interpretabilidad dentro de estos modelos siguen en gran medida sin abordarse. Este estudio presenta Chain-of-Diagnosis (CoD) para mejorar la interpretabilidad de diagnósticos médicos basados en LLM. CoD transforma el proceso diagnóstico en una cadena diagnóstica que refleja el proceso mental de un médico, proporcionando una vía de razonamiento transparente. Además, CoD produce la distribución de confianza de la enfermedad para garantizar transparencia en la toma de decisiones. Esta interpretabilidad hace que los diagnósticos del modelo sean controlables y ayuda a identificar síntomas críticos para la investigación a través de la reducción de entropía de las confianzas. Con CoD, desarrollamos DiagnosisGPT, capaz de diagnosticar 9604 enfermedades. Los resultados experimentales demuestran que DiagnosisGPT supera a otros LLMs en pruebas diagnósticas. Además, DiagnosisGPT proporciona interpretabilidad al tiempo que garantiza controlabilidad en el rigor diagnóstico.

English

The field of medical diagnosis has undergone a significant transformation with the advent of large language models (LLMs), yet the challenges of interpretability within these models remain largely unaddressed. This study introduces Chain-of-Diagnosis (CoD) to enhance the interpretability of LLM-based medical diagnostics. CoD transforms the diagnostic process into a diagnostic chain that mirrors a physician's thought process, providing a transparent reasoning pathway. Additionally, CoD outputs the disease confidence distribution to ensure transparency in decision-making. This interpretability makes model diagnostics controllable and aids in identifying critical symptoms for inquiry through the entropy reduction of confidences. With CoD, we developed DiagnosisGPT, capable of diagnosing 9604 diseases. Experimental results demonstrate that DiagnosisGPT outperforms other LLMs on diagnostic benchmarks. Moreover, DiagnosisGPT provides interpretability while ensuring controllability in diagnostic rigor.