谷歌發(fā)布專用于個人健康的大語言模型PH-LLM
隨著智能手表、健身追蹤器等可穿戴設(shè)備的普及，使得我們能持續(xù)監(jiān)測健康狀況，包括睡眠質(zhì)量、日?；顒?、心率和血壓等。但如何有效利用這些數(shù)據(jù)，并從中找出一些健康問題，對于普通用戶來說卻很難。
所以，谷歌的研究人員在Gemini模型的基礎(chǔ)之上，微調(diào)出了專用于個人健康的大語言模型PH-LLM。用戶通過將健康數(shù)據(jù)與PH-LLM相結(jié)合，就能快速獲取個性化健康建議、日常疾病問答、健康報告預(yù)測等專家級醫(yī)療咨詢服務(wù)。
論文地址：https://arxiv.org/abs/2406.06474
數(shù)據(jù)整合
PH-LLM會先通過數(shù)據(jù)整合模塊，將來自智能手表、健身追蹤器等智能設(shè)備的健康數(shù)據(jù)匯集起來，構(gòu)建一個統(tǒng)一的數(shù)據(jù)庫。在數(shù)據(jù)整合的過程還涉及了數(shù)據(jù)的清洗和轉(zhuǎn)換。
搜集到的原始健康數(shù)據(jù)可能包含噪聲、缺失值或異常值，這些都可能影響PH-LLM分析結(jié)果的準(zhǔn)確性。數(shù)據(jù)清洗則是識別并處理這些問題，確保數(shù)據(jù)的質(zhì)量和可靠性。例如，對于缺失的數(shù)據(jù)，可以通過插值方法進(jìn)行估計(jì)；對于異常值，則可以通過統(tǒng)計(jì)方法進(jìn)行識別和處理。
數(shù)據(jù)轉(zhuǎn)換是將不同格式和結(jié)構(gòu)的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一格式的過程。這通常涉及到數(shù)據(jù)類型的轉(zhuǎn)換、時間戳的統(tǒng)一、度量單位的標(biāo)準(zhǔn)化等。
數(shù)據(jù)整合則是將轉(zhuǎn)換后的數(shù)據(jù)合并到一個數(shù)據(jù)集中，形成一個全面的個人健康檔案。這一步驟需要考慮數(shù)據(jù)的關(guān)聯(lián)性和一致性，確保不同數(shù)據(jù)源之間的信息能夠正確地關(guān)聯(lián)起來。
上下文理解
在獲取用戶的健康數(shù)據(jù)后，上下文理解模塊則主要用于分析，從而將孤立的數(shù)據(jù)點(diǎn)轉(zhuǎn)化為有意義的健康見解和建議。
數(shù)據(jù)的深度分析是上下文理解模塊的核心，不僅是對數(shù)據(jù)的簡單匯總，而是需要理解數(shù)據(jù)背后的復(fù)雜關(guān)系和模式。例如，一個人的心率在不同的活動狀態(tài)下可能有不同的含義。
在安靜休息時，心率較低可能表示放松和健康；而在劇烈運(yùn)動后，心率的升高則是正常的生理反應(yīng)。因此，上下文理解模塊需要能夠識別和解釋這些數(shù)據(jù)的波動，從而提供更準(zhǔn)確的健康見解。
時間是分析個人健康數(shù)據(jù)中的一個重要維度，在一天中不同時間段的變化，模型可以識別出用戶的日常生活習(xí)慣，包括睡眠周期、鍛煉時間等，并評估這些習(xí)慣對健康的影響。
例如，一個用戶可能在晚上10點(diǎn)到早上6點(diǎn)之間有穩(wěn)定的睡眠模式，而在周末則可能睡得更晚。這種模式的變化可能會影響用戶的健康周期表現(xiàn)。
不過在處理個人健康數(shù)據(jù)時隱私和安全至關(guān)重要，研究人員表示，PH-LLM在處理健康數(shù)據(jù)時，會進(jìn)行脫敏、加密存儲和安全傳輸?shù)缺Ｗo(hù)措施。同時允許用戶對自己的數(shù)據(jù)進(jìn)行完全控制和管理，并將數(shù)據(jù)的處理流程進(jìn)行透明化。
專家知識集成
為了進(jìn)一步增強(qiáng)PH-LLM分析數(shù)據(jù)的準(zhǔn)確性和專業(yè)性，研究人員將多個高質(zhì)量的醫(yī)學(xué)文獻(xiàn)、臨床指南、健康數(shù)據(jù)集以及臨床專家的經(jīng)驗(yàn)集成在其中，并通過知識提取功能來獲取，疾病的定義、癥狀、診斷標(biāo)準(zhǔn)、治療建議以及預(yù)防措施等專業(yè)知識。
在獲取專業(yè)醫(yī)療知識后，下一步是將其融合到模型的推理過程中，讓模型能夠使用這些知識來解釋個人健康數(shù)據(jù)，并生成相關(guān)的見解和建議。
例如，如果一個用戶的睡眠數(shù)據(jù)表明他們經(jīng)常在夜間醒來，模型可以利用睡眠醫(yī)學(xué)的知識來推斷可能的原因，并提供改善睡眠質(zhì)量的建議。這種知識融合和推理的能力是PH-LLM提供個性化健康建議的關(guān)鍵。
為了確保模型生成的建議的準(zhǔn)確性和有效性，研究人員還與一些專業(yè)的醫(yī)療人員合作，對PH-LLM輸出的內(nèi)容進(jìn)行綜合評估，以驗(yàn)證其提供的健康分析、建議是否與現(xiàn)有的臨床實(shí)踐一致論文。
本文轉(zhuǎn)自 AIGC開放社區(qū) ，作者：AIGC開放社區(qū)
