模仿医学专家思维的Citrus：助力医疗决策支持-CSDN博客

本文链接：https://blog.csdn.net/weixin_44292902/article/details/148141596

想要掌握如何将大模型的力量发挥到极致吗？叶梓老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具。

1小时实战课程，您将学习到如何轻松上手并有效利用 Llama Factory 来微调您的模型，以发挥其最大潜力。

CSDN教学平台录播地址：https://edu.csdn.net/course/detail/39987

视频号（直播分享）：sphuYAMr0pGTk27 抖音号：44185842659

模仿医学专家的Citrus模型

在医疗领域，决策支持一直是备受关注的课题。近年来，大模型技术的快速发展为这一领域带来了新的机遇。《Citrus: Leveraging Expert Cognitive Pathways in a Medical Language Model for Advanced Medical Decision Support》论文介绍了一种名为Citrus的医疗语言模型，它通过模仿医学专家的认知过程，为医疗决策支持提供了新思路。

图1 展示了Citrus在多个权威医疗基准测试中的出色表现。在这些测试中，Citrus与其他大模型相比，无论是在通用医学知识还是复杂推理任务上，都展现出了显著的优势。这表明Citrus在模拟医学专家思维方面取得了重要进展。

Citrus的核心优势在于其独特的训练方法。该模型采用多阶段训练流程，包括持续预训练（CPT）、监督微调（SFT）和强化学习（RL）。这种训练方式使得模型能够逐步学习医学知识，并模仿医生的复杂推理过程。值得注意的是，Citrus的训练数据是通过创新的数据合成方法生成的，这种方法能够准确捕捉医生的决策路径。通过这种方式，Citrus能够更好地理解医学领域的复杂性和不确定性。

训练数据的巧妙设计

Citrus的训练数据设计是其成功的关键之一。表1 列出了训练过程中使用的各类数据的规模、领域和构建方法。数据来源包括网络数据、医学教材、医学指南和文献等。这些数据经过严格的处理和筛选，以确保模型能够学习到高质量的医学知识。例如，对于网络数据，研究人员采用了自然语言处理技术进行清洗和标注；对于医学教材，通过数据增强技术合成了更多样化的医学查询。

在数据合成方面，Citrus采用了基于假设演绎法的方法。这种方法模拟了医生在面对复杂病例时的思维过程，包括信息收集、症状分析、假设生成、鉴别诊断和结论形成等步骤。通过这种方式，Citrus能够生成符合医学逻辑的长链推理数据，从而提升其医学推理能力。

真实世界数据的评估

为了更好地评估Citrus在实际临床场景中的表现，研究人员开发了一个名为JMED的数据集。表2 对比了JMED与其他现有医学问答数据集的特点。与传统的医学考试题目不同，JMED基于真实的医生-患者对话，涵盖了不同年龄段和多种医学专科。这种基于真实世界数据的评估方式，使得Citrus能够更准确地反映实际临床中的复杂性和模糊性。

JMED数据集的构建过程也非常严谨。研究人员首先从JD健康互联网医院的匿名医生-患者对话中筛选出符合标准化诊断流程的咨询记录。然后，通过一系列的数据处理步骤，包括隐私保护、数据平衡和去重等，确保数据集的质量和代表性。最终，研究人员构建了1000道多选题，每道题包含21个互斥的诊断选项，这些选项符合国际疾病分类第10版（ICD-10）的标准，并经过专业医生的审核和验证。

Citrus的实际表现

Citrus在多个医学基准测试中的表现令人印象深刻。表4 显示了Citrus在MedQA、PubMedQA、MedMCQA等基准测试中的成绩。与同级别的其他大模型相比，Citrus在大多数测试中都取得了最高的分数。例如，在MedQA测试中，Citrus的准确率达到了88.92%，超过了其他模型。这表明Citrus在医学推理和决策支持方面具有很强的能力。

此外，Citrus在不同医学领域的表现也相对均衡。在MMLU（多任务语言理解）的各个子测试中，Citrus在解剖学、临床知识、大学生物学、大学医学、医学遗传学和专业医学等领域的表现都较为出色。这进一步证明了Citrus模型的广泛适用性和可靠性。

Citrus的训练流程

Citrus的训练流程采用了多阶段的方法，包括持续预训练（CPT）、监督微调（SFT）和强化学习（RL）。在CPT阶段，模型通过学习大量的医学领域数据，增强其对医学知识的理解。在SFT阶段，模型通过三个阶段的训练逐步提升其医学推理能力。图3 概述了训练阶段和训练数据管道，展示了每个阶段的训练目的和数据规模。最终，在RL阶段，通过拒绝采样等技术进一步优化模型的推理能力。

Citrus的意义与未来

Citrus模型的出现为医疗决策支持领域带来了新的希望。通过模仿医学专家的认知过程，Citrus能够更准确地处理复杂的医学问题，为医生提供有价值的决策支持。尽管Citrus目前仍处于研究阶段，但其潜力巨大。随着技术的不断进步和数据的不断丰富，未来Citrus有望在实际医疗场景中发挥更大的作用，为患者带来更好的医疗服务。

需要注意的是，尽管Citrus在多个基准测试中表现出色，但在实际应用中仍需谨慎。论文中明确指出，当前模型可能会产生幻觉或不准确的内容，因此不适合直接用于临床或其他对准确性要求极高的行业应用。研究人员强调了用户在使用模型时应遵守的伦理限制，以确保安全和应用的完整性。

Citrus开源项目地址：
：GitHub - jdh-algo/Citrus: Citrus: Leveraging Expert Cognitive Pathways in a Medical Language Model for Advanced Medical Decision Support

论文原文链接：https://arxiv.org/abs/2502.18274

Citrus_S3训练数据下载链接：GitHub - jdh-algo/Citrus: Citrus: Leveraging Expert Cognitive Pathways in a Medical Language Model for Advanced Medical Decision Support。

JMED测试数据下载链接：GitHub - jdh-algo/Citrus: Citrus: Leveraging Expert Cognitive Pathways in a Medical Language Model for Advanced Medical Decision Support。