CoD, Rumo a um Agente Médico Interpretável usando Cadeia 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

Resumo

O campo do diagnóstico médico passou por uma transformação significativa com o surgimento de grandes modelos de linguagem (LLMs), no entanto, os desafios de interpretabilidade dentro desses modelos permanecem amplamente não abordados. Este estudo apresenta a Cadeia de Diagnóstico (CoD) para aprimorar a interpretabilidade dos diagnósticos médicos baseados em LLM. A CoD transforma o processo de diagnóstico em uma cadeia diagnóstica que reflete o processo de pensamento de um médico, fornecendo um caminho de raciocínio transparente. Além disso, a CoD produz a distribuição de confiança da doença para garantir transparência na tomada de decisões. Essa interpretabilidade torna os diagnósticos do modelo controláveis e auxilia na identificação de sintomas críticos para investigação por meio da redução da entropia das confianças. Com a CoD, desenvolvemos o DiagnosisGPT, capaz de diagnosticar 9604 doenças. Resultados experimentais demonstram que o DiagnosisGPT supera outros LLMs em benchmarks de diagnóstico. Além disso, o DiagnosisGPT fornece interpretabilidade ao mesmo tempo em que garante controlabilidade na rigorosidade do 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.