写提示词就能发医学高分论文？北京大学肿瘤医院：《高级提示词作为催化剂：增强大型语言模型在胃肠道癌症管理中的作用》_advanced prompting as a catalyst: empowering large-CSDN博客

本文链接：https://blog.csdn.net/simoncool23/article/details/134574516

研究通过多种提示策略提升GPT-4在胃肠肿瘤诊疗中的表现，包括模板、上下文学习和多轮交互，强调了先进提示工程对医疗领域潜力的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

北京大学肿瘤医院沈琳教授团队和北京大学董彬教授团队合作发文《

Advanced prompting as a catalyst: Empowering large language models in the management of gastrointestinal cancers

》（高级提示词作为催化剂：增强大型语言模型在胃肠道癌症管理中的作用

）。

该研究通过交互工程技术提升GPT-4在消化系统肿瘤诊疗辅助建议方面的功能。该研究提出了三个新颖的交互工程策略：消化系统肿瘤医生角色指令模板、基于向量数据检索的上下文学习（In-context Learning, ICL）和多轮交互。该研究还提出了一套新的诊疗意见的量化评估指标，从病史理解、鉴别诊断、推理、表述规范等多个维度量化评价诊疗方案的质量。

公开摘要：

提示工程影响了大型语言模型在胃肠肿瘤学中的表现。

带有模板和上下文学习的提示可以提高大型语言模型的输出。

多轮交互有助于大型语言模型达到最佳性能。

这样的性能满足了高级胃肠肿瘤学家对有效人工智能代理的需求。

摘要

大型语言模型（LLM）在医疗领域的性能受到提示工程的显著影响。然而，这一研究领域在胃肠肿瘤学中仍然相对未开发。我们的研究深入探讨了这一未开发的领域，研究了不同的提示策略，包括简单提示、模板提示、上下文学习（ICL）和多轮迭代提问，对于优化LLM在医疗环境中的性能的有效性。我们开发了一个全面的评估系统，以从多个维度评估LLM的性能。这个强大的评估系统确保了对LLM在医学领域的能力的全面评估。我们的研究结果表明，提示的全面性与LLM的性能之间存在正相关关系。值得注意的是，多轮策略，其特征是迭代的问答轮，始终产生最好的结果。ICL，一种利用相互关联的上下文学习的策略，也显示出显著的前景，超过了简单提示所达到的效果。这项研究强调了先进的提示工程和迭代学习方法对于提高LLM在医疗领域的适用性的潜力。我们建议进行更多的研究，以完善这些策略，并探讨它们的潜在整合，以真正发挥LLM在医疗应用中的全部潜力。

研究思路

本文探讨了不同的提示工程策略，如简单提示、模板提示、上下文学习和多轮迭代提问，对于提高大型语言模型在胃肠肿瘤管理中的性能的影响。本文开发了一个全面的评估系统，以从多个维度评估大型语言模型的性能，包括准确性、可靠性、可解释性和可用性。

研究结论

本文发现，提示的全面性与大型语言模型的性能呈正相关关系。多轮策略 consistently yields the best results consistently yields the best results，因为它可以通过迭代的问答轮来调整和优化大型语言模型的输出。上下文学习也显示出显著的效果，因为它可以利用相关的上下文信息来增强大型语言模型的学习能力。本文强调了先进的提示工程和迭代学习方法对于提高大型语言模型在医疗领域的适用性的潜力，并建议进行更多的研究，以完善这些策略，并探讨它们的潜在整合，以真正发挥大型语言模型在医疗应用中的全部潜力。