의학 계산의 복잡성을 해결하는 LLM agent를 사용한 MedCalc-Pro
현재 의료 계산을 위한 대규모 언어 모델(LLM)의 평가 기준은 단순화된 환경에서 대부분 기반을 두고 있습니다. 이 환경에서 각 환자 사례는 단일 계산기와 명시적으로 지정된 계산기를 요구하는 질의로 대응합니다. 그러나 실제 임상 상황에서는 종합 평가, 계산기 중첩 계산, 및 목표 계산기를 직접 지정하지 않는 부드러운 질의가 필요합니다. 이를 위해 우리는 새로운 의료 계산 벤치마크, MedCalc-Pro를 제안합니다. MedCalc-Pro는 단일 계산기, 다중 계산기, 계산기 중첩 계산기 설정의 세 가지 점진적으로 어려운 작업 설정을 포함합니다. MedCalc-Pro에는 2,268 건의 실제 임상 사례가 포함되어 있으며 14 개의 임상 부서를 통해 77 건의 의료 계산기를 다룹니다. 한편, 복잡한 임상 상황에서 존재하는 프레임워크와 방법의 성능이 제한적이라는 점을 고려하여, 우리는 다중 도구 선택 및 계층적 도구 호출을 지원하는 더 일반화된 agent 프레임워크를 제안합니다. 이 프레임워크는 구조화된 검증 및 증거 검토를 통해 매개 변수 오류 전파를 억제합니다. 우리는 오픈 소스, 클로즈드 소스, 의료 전문가용 대규모 언어 모델(LLM) 간에 체계적인 비교를 수행하였으며, 결과는 우리의 프레임워크가 모든 세 가지 작업 설정에서 최고의 성능을 달성했다는 것을 보여줍니다. 이 연구는 어려운 의료 계산 상황에서 대규모 언어 모델(LLM)을 평가하고 적용하기 위한 새로운 벤치마크 및 방법을 제공합니다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.