method-agents

http://link.zhihu.com/?target=https%3A//github.com/sxontheway/Keep-Learning/blob/master/Research/Federated_Learning.md

paper

[2405.02957] Agent Hospital: A Simulacrum of Hospital with Evolvable Medical Agents (arxiv.org)

• 质量和效率，隐私。医疗记录库、经验库。
• agent hostpital. Pdf
• 在本文中，我们介绍了一个名为Agent医院的医院模拟，它模拟了治疗疾病的整个过程。所有患者、护士和医生都是由大型语言模型（LLM）驱动的自治代理。我们的中心目标是让医生代理学习如何在模拟中治疗疾病。为此，我们提出了一种名为MedAgent-Zero的方法。由于模拟可以基于知识库和LLM模拟疾病的发作和进展，医生代理可以不断从成功和不成功的案例中积累经验。模拟实验表明，医生代理在各种任务中的治疗性能不断提高。更有趣的是，医生代理在Agent医院获得的知识适用于现实世界的医疗保险基准。在治疗了大约一万名患者（现实世界的医生可能需要两年多的时间）后，进化的医生代理在涵盖主要呼吸系统疾病的MedQA数据集子集上实现了93.06%的最先进准确率。这项工作为推进LLM驱动的代理技术在医疗场景中的应用铺平了道路。
• MedAgent-Zero”这一创新的训练策略。与以往基于反向传播的模型训练方法不同，MedAgent-Zero 通过动态更新医疗记录库和经验库，有效提升了医疗代理的决策能力。这种策略的显著优势在于，它允许模型在不直接修改权重参数的情况下进行优化。这意味着，我们可以利用第三方的大型语言模型 API，而无需动用昂贵的 GPU 资源来训练模型。通过知识库的持续积累和优化，模型不仅保持了其底层的语言处理能力，还增强了对特定医疗知识的掌握。这不仅提高了模型的决策质量，也为 AI 在医疗等高知识要求领域的应用提供了新的可能性。