最近的大型通用领域语言模型（LLMs），如ChatGPT，在遵循指令和产生类人响应方面显示出了非凡的成功。然而，这样的语言模型没有经过仔细的针对医疗领域的个性化学习，导致诊断准确度低，无法为医学诊断、药物推荐等提供正确的建议。

为了解决这个问题，我们收集了700多种疾病及其对应的症状、推荐药物和必需的医学检查，并生成了5K名医生和患者的对话。通过微调医生和患者对话模型，这些模型具有理解患者需求、提供知情建议和在各种医学相关领域提供有价值的帮助的巨大潜力。将这些先进的语言模型整合到医疗保健中，可以彻底改变医疗保健专业人员和患者之间的沟通方式，最终提高整体医疗保健质量和患者的疗效。此外，我们会公开所有源代码、数据集和模型权重，以促进医疗领域对话模型的进一步发展。

推荐理由：

借助该模型，可以有效缓解国内优质诊疗资源短缺和区域不平衡的问题，惠及更多患者。

总结:
通过对医疗领域的知识进行微调，ChatDoctor模型可以提供医学诊断、建议用药和医疗检测等方面的指导，进而改善医疗诊断的准确性和效率，降低医疗人员工作负担，高效获取医疗建议。

要点:

  1. 通过微调在医疗领域知识上的LLM可以为医疗诊断提供有益指导。
  2. 由于医疗领域具有独特的特点，需要限制LLM只生成其非常确定的结果。
  3. 高质量的训练数据对于模型性能的影响非常大，而高质量的训练数据在医疗领域非常稀缺。
  4. ChatDoctor的应用前景广阔，有助于提高医疗诊断的准确性和效率，降低医疗人员工作负担，高效获取医疗建议。

标题：ChatDoctor: A Medical Chat Model Fine-tuned on LLaMA Model using Medical Domain Knowledge

作者：Li Yunxiang, Li Zihan, Zhang Kai, Dan Ruilong, Zhang You

论文：https://papers.labml.ai/api/v1/redirect/pdf?paper_key=48369c02cc4a11edb95839eec3084ddd

代码：https://github.com/Kent0n-Li/ChatDoctor

内容中包含的图片若涉及版权问题，请及时与我们联系删除