New York
- Address:2972 Westheimer Rd. Santa &, Illinois 85486
- Phone:+8801761456456
- Email: [email protected]
Loading
医疗大模型可精准高效完成医疗文本问答等任务，辅助诊断。其能融合跨领域知识，助医疗人员理解数据、捕捉风险，为患者提供科学治疗方案，在智慧医疗服务中，是诊疗决策辅助重要环节。
尽管当前医疗大模型拥有强大的文本理解与生成能力，当前研究的医疗模型侧重于完成诊断任务，缺乏提供精准治疗方案的能力。针对这一问题，白羽智策立足“精准诊疗决策”，使用先进的序列模型建模技术，研发面向多病种医疗决策辅助模型，致力于辅助医务人员完成与疾病治疗方案制定有关的决策任务。
白羽智策推出通用医疗决策智能体MedDA，具备多模态处理与多任务决策能力，基于单个神经网络序列模型训练，不依赖手动策略设计。它利用Decoder-Only架构与自回归机制，根据历史治疗序列高效完成脓毒症治疗推荐、肺部病理诊断等任务。MedDA架构扩展性强，增加训练数据和任务范围即可学习更多疾病诊疗，为医疗场景提供精准决策。
白羽智策的 MedDA 面向多病种诊疗，需先统一多源医疗数据格式。依据临床流程，按逻辑时间排列数据，以 “患者病情状态，[诊断结果]，[治疗方案]” 元组格式组织。MedDA 以此为输入，经训练后，可根据患者病情或历史数据输出治疗建议。
训练数据集样本任务多样性给医疗决策大模型带来挑战。MedDA框架采用诊疗提示技术，检索待查询病种治疗序列片段作为前置提示信息，与患者病情状态共同输入模型。这使模型借助提示数据隐式贝叶斯推理，识别疾病语境，输出合适治疗建议。
MedDA框架内置多模态特征提取器，用于处理胸部X光片病理识别等任务。它从肺部X光片和影像文本报告中分别提取视觉和文本特征，通过特定任务优化，获得细粒度语义表达能力的视觉特征，作为患者病情状态信息参与后续推理。
MedDA在脓毒症治疗决策、肺部病理识别等具体诊疗决策任务上的效果展示了基于当前产品方案持续构建医疗通用决策辅助模型的巨大潜力。
团队用MIMIC数据集的脓毒症患者序列数据测试MedDA的治疗决策效果。患者健康状态由生命体征等信息表示，治疗方案由输液等给药信息表示。模型前三个建议的准确率为79.5%，前五个建议的准确率为93.8%。
团队用MIMIC-CXR及NIH数据集的多模态特征数据测试MedDA的肺部病理识别效果。此单步决策任务中，患者健康状态由细粒度视觉特征表示，诊断决策是对14类肺部病理的识别。模型识别准确率94.7%，平均预测AUROC为0.501。
MedDA在脓毒症和肺部病理识别任务中成果显著，具备精准治疗推荐潜力。其适应性和泛化能力将随数据多样性、任务复杂度增加及算法优化而提升，为个性化医疗决策提供更强支持，并在多临床领域实现实时智能辅助。未来，随着医疗数据积累和性能提升，MedDA有望集成多种医学任务，成为推动智能医疗应用、提升健康管理水平的平台。