MedKP : Dialogue médical avec amélioration des connaissances et encodage des parcours cliniques

Avec une sélection de données appropriée et des techniques d'entraînement, les grands modèles de langage (LLMs) ont démontré un succès exceptionnel dans divers examens médicaux et questions à choix multiple. Cependant, l'application des LLMs dans la génération de dialogues médicaux - une tâche plus étroitement alignée avec la pratique médicale réelle - a été moins explorée. Ce manque est attribué aux connaissances médicales insuffisantes des LLMs, ce qui entraîne des inexactitudes et des informations hallucinées dans les réponses médicales générées. Dans ce travail, nous introduisons le cadre de Dialogue médical avec amélioration des connaissances et encodage des parcours cliniques (MedKP), qui intègre un module d'amélioration des connaissances externes à travers un graphique de connaissances médicales et un encodage interne des parcours cliniques via des entités médicales et des actions des médecins. Évalués avec des métriques complètes, nos expériences sur deux ensembles de données de consultation médicale en ligne à grande échelle et dans le monde réel (MedDG et KaMed) démontrent que MedKP surpasse plusieurs références et atténue l'incidence des hallucinations, atteignant un nouvel état de l'art. Des études d'ablation étendues révèlent en outre l'efficacité de chaque composant de MedKP. Cette amélioration fait avancer le développement de réponses de consultation médicale automatisées et fiables utilisant des LLMs, élargissant ainsi l'accessibilité potentielle d'une assistance médicale précise et en temps réel.