बायोमेडिकल प्रश्नोत्तरी के लिए मेडिकल टेक्स्टबुक्स के साथ ब्लैक-बॉक्स LLMs को बढ़ाना

वृहद-स्केल भाषा मॉडल (LLMs) जैसे ChatGPT ने मानव निर्देशों के आधार पर प्रतिक्रियाओं को उत्पन्न करने में प्रभावशाली क्षमताएं प्रदर्शित की हैं। हालांकि, चिकित्सा क्षेत्र में उनका उपयोग विशेष, गहन ज्ञान की कमी के कारण चुनौतीपूर्ण हो सकता है। इस अध्ययन में, हमने LLMs को विशेष क्षेत्रों में दक्षता बढ़ाने के लिए डिज़ाइन किया गया एक सिस्टम प्रस्तुत किया है जिसे LLMs Augmented with Medical Textbooks (LLM-AMT) कहा जाता है। LLM-AMT प्लग-एंड-प्ले मॉड्यूल का उपयोग करके आधिकारिक चिकित्सीय टेक्स्टबुक्स को LLMs के फ्रेमवर्क में एकीकृत करता है। इन मॉड्यूलों में एक Query Augmenter, एक Hybrid Textbook Retriever, और एक Knowledge Self-Refiner शामिल हैं, जो मिलकर आधिकारिक चिकित्सीय ज्ञान को समाहित करते हैं। अतिरिक्त रूप से, एक LLM Reader प्रासंगिक समझ में मदद करता है। हमारे तीन चिकित्सीय प्रश्न-उत्तर कार्यों पर प्रयोगात्मक परिणाम दिखाते हैं कि LLM-AMT प्रतिक्रिया गुणवत्ता में महत्वपूर्ण सुधार करता है, जिसमें सटीकता में 11.6% से 16.6% तक की वृद्धि होती है। विशेष रूप से, GPT-4-Turbo को बेस मॉडल के रूप में उपयोग करने पर, LLM-AMT विशाल चिकित्सीय कॉर्पस पर पूर्व-प्रशिक्षित विशेष Med-PaLM 2 मॉडल से 2-3% बेहतर प्रदर्शन करता है। हमने पाया कि 100 गुना छोटा होने के बावजूद, चिकित्सा टेक्स्टबुक्स एक पुनर्प्राप्ति कॉर्पस के रूप में चिकित्सा क्षेत्र में विकिपीडिया की तुलना में अधिक प्रभावी ज्ञान डेटाबेस साबित होता है, जो प्रदर्शन को 7.8%-13.7% तक बढ़ाता है।