LLMs for Doctors: Leveraging Medical LLMs to Assist Doctors, Not Replace Them

最近大型语言模型（LLMs）的成功对医疗领域产生了重大影响，为患者提供医疗建议、诊断信息等。然而，由于缺乏专业医学知识，患者很容易被LLMs生成的错误信息误导，这可能导致严重的医疗问题。为了解决这个问题，我们专注于调整LLMs成为医学助手，与更有经验的医生合作。我们首先通过灵感反馈进行两阶段调查，以深入了解医生对医学助手的真实需求。基于此，我们构建了一个名为DoctorFLAN的中文医学数据集，支持医生的整个工作流程，包括来自22个任务和27个专家的92K个问答样本。此外，我们通过构建包含550个单轮问答和74个多轮对话的DoctorFLAN-test和DotaBench来评估医生定向场景下的LLMs。评估结果表明，成为医学助手仍然对现有的开源模型构成挑战，但DoctorFLAN可以显著帮助它们。它表明我们构建的面向医生的数据集和基准可以补充现有的面向患者的工作，并更好地促进医疗LLMs研究。

解决患者因缺乏专业医学知识而被LLMs误导的问题，构建医学助手以协助医生，提高LLMs在医疗领域的应用效果。

构建一个针对医生需求的中文医学数据集DoctorFLAN，包含92k个问题和22个任务的Q&A样本，27个专家提供答案。通过构建DoctorFLAN-test和DotaBench测试LLMs在医学助手场景下的表现。

通过两个阶段的调查构建了医生需求为导向的中文医学数据集DoctorFLAN，并提供了测试集。实验结果表明，DoctorFLAN显著提高了LLMs在医学助手场景下的表现。论文还提到了一些值得深入研究的方向。

最近的相关研究包括：1.使用LLMs生成医学文本的研究；2.构建医学问答数据集的研究。