摘要

大型语言模型（LLMs）的最新进展显著改变了医疗系统。然而，它们在护理等专业领域的潜力尚未得到充分探索。在这项工作中，我们推出了NurseLLM，这是首个专为护理领域设计的大型语言模型，用于处理多项选择题（MCQ）任务。我们开发了一个多阶段数据生成流程，构建了首个大规模护理MCQ数据集，用于在广泛的护理主题上训练LLMs。我们还引入了多个护理基准测试，以便进行严格评估。我们的广泛实验表明，NurseLLM在不同基准测试中的表现优于同等规模的最先进通用和专业医疗LLMs，这强调了专用LLMs在护理领域的重要性。最后，我们探讨了推理和多智能体协作系统在护理中的作用，突显了它们对未来研究和应用的潜力。

原文链接 https://t.zsxq.com/l9pOQ

一、核心速览

研究背景

1. 研究问题：这篇文章要解决的问题是如何在护理领域利用大型语言模型（LLMs）进行有效的问答任务。尽管LLMs在通用医学AI系统中取得了显著进展，但在护理领域的潜力尚未得到充分探索。
2. 研究难点：该问题的研究难点包括：护理和医学领域的知识体系不同，护理强调全面的、以患者为中心的护理，而医学则侧重于诊断和治疗；现有的护理问答数据集规模较小，且缺乏针对护理专业知识的评估标准，如美国的NCLEX考试。
3. 相关工作：目前，尚未有专门针对护理领域的LLMs。大多数护理应用依赖于通用或医学领域的LLMs，但这些模型在临床评估中表现出不确定性，可能会导致不必要的诊断测试，误解护理概念，从而增加过度分诊的风险。

研究方法

这篇论文提出了NurseLLM，第一个专门为护理问答任务设计的LLMs。具体来说，

1. 主题收集：首先，创建了一个全面的NCLEX主题分类体系，涵盖7个专科、60个领域、232个主题和1830个概念。
2. 合成NCLEX问答生成：使用GPT-4o从这些概念中生成相应的NCLEX问答对，并为正确答案提供理由。这些理由随后用于训练NurseLLM，采用链式思维（CoT）推理方法。
3. 基准测试创建：开发了多个基于NCLEX的基准测试，包括人类标注的黄金NCLEX基准（1726个问题）、GPT-4o生成的测试基准（1830个问题）、MultiMedQA（多个医学问答数据集的集合）及其护理子集MultiNurseQA。
4. 去污染：为了确保训练样本的多样性和泛化能力，采用两步过滤法去除与测试集重叠的样本，并使用ROUGE-L评分进行样本比较。

实验设计

1. 模型训练：使用Llama3-Med42-8B作为基础模型，最大长度设置为2048，批量大小为1，梯度累积步长为8，训练2个epoch，学习率为2e-5。模型在AWS SageMaker上使用NVIDIA 10G GPU训练4天。
2. 模型合并：为了防止微调过程中出现的灾难性遗忘，使用MergeKit将微调后的LLM与基础模型Med42合并，合并比例为60%。
3. 评估基准：使用四个基准进行评估：NCLEX-Test（1726个MCQ问题）、GPT4o-Test（1830个NCLEX MCQ问题）、MultiMedQA和MultiNurseQA。
4. 基线模型：包括通用和医学领域的LLMs，如Med42、Gemma、Apollo、LLaMA、OpenBioLLM、Mistral、BioMistral、MedAlpaca和DeepSeek-LLaMA。

结果与分析

1. NCLEX-Test上的表现：NurseLLM在NCLEX-Test基准上的准确率超过76%，优于所有开源LLMs，甚至优于一些医学领域的LLMs。
2. GPT4o-Test上的表现：尽管GPT-4o生成的基准存在随机性，但NurseLLM在8B参数下达到了91%以上的准确率，接近GPT-4o-mini的94.97%。
3. MultiMedQA上的表现：在通用医学基准上，医学领域的LLMs如Med42表现优于NurseLLM，但NurseLLM仍能保持与其他基线相当的表现。
4. MultiNurseQA上的表现：在护理子集上，Med42继续优于NurseLLM，但NurseLLM紧随其后，仅落后0.19%。与其他基准相比，NurseLLM的性能下降最小。

总体结论

这篇论文介绍了NurseLLM，第一个专门为护理问答任务设计的LLMs。通过构建大规模、多样化的护理问答数据集，并开发了三个基于NCLEX的基准测试，证明了NurseLLM在护理领域的有效性。实验结果表明，NurseLLM在多个基准测试中均优于通用和医学领域的LLMs，突显了领域专业化在护理领域的重要性。此外，论文还探讨了推理和多代理协作系统在护理领域的潜力，展示了未来在该领域的研究和应用前景。

三、论文评价

优点与创新

1. 首个专门针对护理领域的语言模型：NurseLLM是首个专门为护理问答任务设计的语言模型，不仅提供答案，还提供理由以确保模型的透明性和可信度。
2. 多阶段数据生成管道：开发了第一个大规模且主题多样的护理问答数据集，涵盖广泛的护理主题。
3. 多种护理基准测试：开发了三个不同的护理MCQ基准，用于系统地评估LLMs在护理问答任务上的表现。
4. 显著优于通用和医疗专业LLMs：广泛的评估显示，NurseLLM在护理基准上的表现优于同等参数规模的最先进的通用和医疗专业LLMs。
5. 推理和多代理协作系统的潜力：探讨了推理和多代理协作系统在护理领域中的潜力，展示了未来研究和应用的前景。

不足与反思

1. 数据生成时间线：由于使用了2024年5月的GPT-4o版本，模型的响应可能会随时间变化，因此提示策略和数据生成管道应相应处理。
2. 数据质量：尽管自动化数据生成管道使整体数据生成过程可扩展，但存在低质量数据进入语料库的风险，建议进行人工检查以维持语料库的标准质量。
3. 模型响应：尽管NurseLLM在NCLEX问题上表现出色，但仍需提高准确性，表明LLM在回答护理问题时可能会产生不准确的响应。考虑到该领域的敏感性，建议在部署前谨慎使用NurseLLM。
4. 模型评估：仅使用开源模型进行评估，未评估闭源LLMs，因为闭源模型的规模不具可比性且出于专有原因未将其纳入NCLEX基准测试。然而，计划在接受后发布合成测试基准和训练数据集。

三、关键问题及回答

问题1：NurseLLM在构建大规模护理问答数据集时，具体采用了哪些步骤来确保数据的多样性和质量？

1. 主题收集：首先，创建了一个全面的NCLEX主题分类体系，涵盖7个专科、60个领域、232个主题和1830个概念。
2. 合成NCLEX问答生成：使用GPT-4o从这些概念中生成相应的NCLEX问答对，并为正确答案提供理由。这些理由随后用于训练NurseLLM，采用链式思维（CoT）推理方法。
3. 基准测试创建：开发了多个基于NCLEX的基准测试，包括人类标注的黄金NCLEX基准（1726个问题）、GPT-4o生成的测试基准（1830个问题）、MultiMedQA（多个医学问答数据集的集合）及其护理子集MultiNurseQA。
4. 去污染：为了确保训练样本的多样性和泛化能力，采用两步过滤法去除与测试集重叠的样本，并使用ROUGE-L评分进行样本比较。

问题2：在实验设计中，NurseLLM是如何防止微调过程中出现的灾难性遗忘的？

为了防止微调过程中出现的灾难性遗忘，NurseLLM采用了MergeKit工具，将微调后的LLM与基础模型Med42合并。具体步骤如下：

1. 模型微调：使用Llama3-Med42-8B作为基础模型，在护理数据上进行微调。
2. 模型合并：使用MergeKit将微调后的LLM与基础模型Med42合并，合并比例为60%。这样可以在保留基础模型的通用医学能力的同时，适应新的护理知识。

问题3：NurseLLM在多个基准测试中的表现如何，与其他模型相比有哪些优势？

1. NCLEX-Test：NurseLLM在NCLEX-Test基准上的准确率超过76%，优于所有开源LLMs，甚至优于一些医学领域的LLMs。
2. GPT4o-Test：尽管GPT-4o生成的基准存在随机性，但NurseLLM在8B参数下达到了91%以上的准确率，接近GPT-4o-mini的94.97%。
3. MultiMedQA：在通用医学基准上，医学领域的LLMs如Med42表现优于NurseLLM，但NurseLLM仍能保持与其他基线相当的表现。
4. MultiNurseQA：在护理子集上，Med42继续优于NurseLLM，但NurseLLM紧随其后，仅落后0.19%。与其他基准相比，NurseLLM的性能下降最小。

总体而言，NurseLLM在护理领域的多个基准测试中均优于通用和医学领域的LLMs，突显了领域专业化在护理领域的重要性。

四、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】