每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

CANDLE：用于可解释的肌肉减少症诊断的跨模态代理知识提炼框架

Created by
  • Haebom

作者

金宇奇、帅振豪、胡子涵、张伟腾、谢伟豪、帅建伟、沉贤、冯振

大纲

本文提出了一种利用大规模语言模型 (LLM) 卓越泛化能力和可迁移性的方法，将其应用于数据匮乏且异构的医学领域，尤其是肌肉减少症诊断等任务。我们旨在通过将传统机器学习 (TML) 模型的稳健性能和特征级可解释性与 LLM 的语义表达能力相结合，解决可解释性与预测性能之间的权衡问题。具体而言，我们提出了 CANDLE 框架，该框架将 XGBoost 模型的 SHAP 值输入 LLM，并通过基于强化学习的推理过程生成校准证据和改进的决策规则，然后将其集成到知识库中，使用检索增强生成 (RAG) 方法执行基于案例的推理。

Takeaways，Limitations

•
Takeaways：
◦
通过将 LLM 与基于 SHAP 的可解释机器学习模型相结合，克服了 LLM 的可解释性限制，我们提高了 LLM 在医学领域的可用性。
◦
以肌肉减少症的诊断为例，我们证明了 LLM 在数据贫乏和异构医疗数据环境中的适用性。
◦
我们提出了一种方法来改进 LLM 的推理过程并使用强化学习生成可靠的决策规则。
◦
我们提出了一种新方法，将现有 TML 模型中的知识集成到基于 LLM 的系统中，实现知识资本化。
◦
通过利用 RAG 进行基于案例的推理，我们证明了构建适用于现实世界医疗环境的系统的可能性。
•
Limitations：
◦
由于本文重点关注肌肉减少症的诊断，因此需要进一步研究以确定其对其他医学领域的普遍性。
◦
强化学习过程可能很复杂并且计算成本很高。
◦
将SHAP值应用于LLM时，存在信息丢失的可能性。
◦
LLM 中的学习数据偏差可能会影响结果。
◦
需要大规模的医疗数据集，数据质量的验证至关重要。
👍
Made with Slashpage