摘要

本文探讨了大型语言模型（LLMs）在癫痫研究中的半逻辑分析能力，特别是在利用患者医疗历史中的非结构化文本描述来辅助癫痫诊断的应用。研究使用了包括GPT-3.5、GPT-4、Mixtral 8x7B和Qwen-72B在内的先进LLMs，通过一个包含1269个条目的临床数据库，评估这些模型在将癫痫症状的文本描述与癫痫发作的脑区进行关联的能力。研究结果显示，通过精心设计的提示工程，这些模型能够显著提高其分类性能，某些模型甚至接近临床评估的水平。然而，研究也揭示了模型在自信心过高、引用错误和幻觉现象等方面的问题。总体而言，该研究为当前最先进的LLMs在癫痫领域的应用提供了一个全面的基准，并强调了它们利用患者医疗历史中的非结构化文本来辅助医疗诊断过程的潜力。

原理

本文中的LLMs通过分析患者癫痫症状的非结构化文本描述，利用其内置的医学知识和推理能力来预测癫痫发作的脑区。模型通过最大化下一个可能令牌的概率来进行预测，这种方法基于概率论和信息论中的概念，如香农熵，来量化模型的“模糊性”或不确定性。通过这种方式，模型不仅能够预测癫痫发作的脑区，还能提供详细的推理过程和引用相关医学文献的能力，从而增强其输出的可信度和临床适用性。

流程

研究中使用了五种提示策略：零样本、少样本、思维链（CoT）、少样本CoT和自我一致性（SC）。每种策略都旨在通过不同的方式引导模型进行推理和输出。例如，思维链提示策略要求模型逐步推理并提供中间推理和使用的来源，以达到最终答案。自我一致性策略则通过生成多个响应路径并选择最一致的响应作为最终答案，确保输出的稳健性和可靠性。通过这些策略，模型能够更好地利用上下文信息和领域特定知识，从而提高其在癫痫诊断任务中的性能。

应用

本文的研究结果表明，LLMs在癫痫诊断中具有巨大的应用潜力，尤其是在处理和分析患者医疗历史中的非结构化文本信息方面。这些模型不仅能够辅助临床医生进行更快速和准确的诊断，还能通过提供详细的推理和引用来源，增强诊断过程的透明度和可信度。未来，这些技术可以扩展到其他医学领域，帮助医生处理和分析大量的非结构化医疗数据，从而提高医疗决策的效率和质量。