迈向个人健康大语言模型,arXiv
迈向个人健康大语言模型
arXiv - CS - Artificial Intelligence Pub Date : 2024-06-10 , DOI: arxiv-2406.06474
Justin Cosentino , Anastasiya Belyaeva , Xin Liu , Nicholas A. Furlotte , Zhun Yang , Chace Lee , Erik Schenck , Yojan Patel , Jian Cui , Logan Douglas Schneider , Robby Bryant , Ryan G. Gomes , Allen Jiang , Roy Lee , Yun Liu , Javier Perez , Jameson K. Rogers , Cathy Speed , Shyam Tailor , Megan Walker , Jeffrey Yu , Tim Althoff , Conor Heneghan , John Hernandez , Mark Malhotra , Leor Stern , Yossi Matias , Greg S. Corrado , Shwetak Patel , Shravya Shetty , Jiening Zhan , Shruthi Prabhakara , Daniel McDuff , Cory Y. McLean
在健康领域，大多数大型语言模型 (LLM) 研究都集中在临床任务上。然而，移动和可穿戴设备很少集成到此类任务中，但却为个人健康监测提供了丰富的纵向数据。在这里，我们提出个人健康大型语言模型（PH-LLM），该模型由 Gemini 进行微调，用于理解和推理数字时间序列个人健康数据。我们创建并整理了三个数据集，用于测试 1) 根据睡眠模式、身体活动和生理反应生成个性化见解和建议，2) 专家领域知识，以及 3) 对自我报告的睡眠结果的预测。对于第一项任务，我们与领域专家合作设计了 857 个案例研究，以评估睡眠和健身的真实场景。通过对特定领域评分标准的综合评估，我们观察到 Gemini Ultra 1.0 和 PH-LLM 在健身方面与专家表现没有统计差异，尽管专家在睡眠方面仍然表现出色，但对 PH-<b1004 进行了微调></b1004> 在使用相关领域知识和个性化信息来获取睡眠见解方面提供了显着改进。我们使用多项选择睡眠医学和健身检查来评估 PH-LLM 领域知识。 PH-LLM 在睡眠方面取得了 79% 的成绩，在健康方面取得了 88% 的成绩，超过了人类专家样本的平均分。最后，我们训练 PH-LLM 从可穿戴数据的文本和多模态编码表示中预测自我报告的睡眠质量结果，并证明需要多模态编码来匹配专门判别模型的性能。 尽管在安全关键的个人健康领域需要进一步的开发和评估，但这些结果证明了 Gemini 模型的广泛知识和能力，以及将生理数据用于个人健康应用的好处，如 PH-<b1001></b1001 >。
"点击查看英文标题和摘要"
更新日期：2024-06-11
相关知识
迈向个人健康大语言模型,arXiv
使用大型语言模型代理将可穿戴数据转化为健康洞察,arXiv
基于大语言模型驱动的心理健康教练语音模型优化方法与流程
从Sora到“世界模拟”：视频大模型的技术原理、应用场景与未来进路
知识增强型预训练语言模型（KnowBERT）
清华大学—江苏师范大学“华章汉韵”大语言模型启动
卫宁健康，开展了医疗垂直领域的大语言模型
掌握深度学习：PyTorch框架下的大型语言模型（LLM）训练实践
迈瑞数智化转型赋能医疗健康高质量发展 全球首个临床落地重症医疗大模型“启元”发布
谷歌开发大语言模型 助力Pixel/Fitbit智能手表健康管理
网址: 迈向个人健康大语言模型,arXiv https://m.trfsz.com/newsview1706470.html
