谷歌發布專用于個人健康的大語言模型PH-LLM
隨著智能手表、健身追蹤器等可穿戴設備的普及，使得我們能持續監測健康狀況，包括睡眠質量、日?；顒?、心率和血壓等。但如何有效利用這些數據，并從中找出一些健康問題，對于普通用戶來說卻很難。
所以，谷歌的研究人員在Gemini模型的基礎之上，微調出了專用于個人健康的大語言模型PH-LLM。用戶通過將健康數據與PH-LLM相結合，就能快速獲取個性化健康建議、日常疾病問答、健康報告預測等專家級醫療咨詢服務。
論文地址：https://arxiv.org/abs/2406.06474
數據整合
PH-LLM會先通過數據整合模塊，將來自智能手表、健身追蹤器等智能設備的健康數據匯集起來，構建一個統一的數據庫。在數據整合的過程還涉及了數據的清洗和轉換。
搜集到的原始健康數據可能包含噪聲、缺失值或異常值，這些都可能影響PH-LLM分析結果的準確性。數據清洗則是識別并處理這些問題，確保數據的質量和可靠性。例如，對于缺失的數據，可以通過插值方法進行估計；對于異常值，則可以通過統計方法進行識別和處理。
數據轉換是將不同格式和結構的數據轉換為統一格式的過程。這通常涉及到數據類型的轉換、時間戳的統一、度量單位的標準化等。
數據整合則是將轉換后的數據合并到一個數據集中，形成一個全面的個人健康檔案。這一步驟需要考慮數據的關聯性和一致性，確保不同數據源之間的信息能夠正確地關聯起來。
上下文理解
在獲取用戶的健康數據后，上下文理解模塊則主要用于分析，從而將孤立的數據點轉化為有意義的健康見解和建議。
數據的深度分析是上下文理解模塊的核心，不僅是對數據的簡單匯總，而是需要理解數據背后的復雜關系和模式。例如，一個人的心率在不同的活動狀態下可能有不同的含義。
在安靜休息時，心率較低可能表示放松和健康；而在劇烈運動后，心率的升高則是正常的生理反應。因此，上下文理解模塊需要能夠識別和解釋這些數據的波動，從而提供更準確的健康見解。
時間是分析個人健康數據中的一個重要維度，在一天中不同時間段的變化，模型可以識別出用戶的日常生活習慣，包括睡眠周期、鍛煉時間等，并評估這些習慣對健康的影響。
例如，一個用戶可能在晚上10點到早上6點之間有穩定的睡眠模式，而在周末則可能睡得更晚。這種模式的變化可能會影響用戶的健康周期表現。
不過在處理個人健康數據時隱私和安全至關重要，研究人員表示，PH-LLM在處理健康數據時，會進行脫敏、加密存儲和安全傳輸等保護措施。同時允許用戶對自己的數據進行完全控制和管理，并將數據的處理流程進行透明化。
專家知識集成
為了進一步增強PH-LLM分析數據的準確性和專業性，研究人員將多個高質量的醫學文獻、臨床指南、健康數據集以及臨床專家的經驗集成在其中，并通過知識提取功能來獲取，疾病的定義、癥狀、診斷標準、治療建議以及預防措施等專業知識。
在獲取專業醫療知識后，下一步是將其融合到模型的推理過程中，讓模型能夠使用這些知識來解釋個人健康數據，并生成相關的見解和建議。
例如，如果一個用戶的睡眠數據表明他們經常在夜間醒來，模型可以利用睡眠醫學的知識來推斷可能的原因，并提供改善睡眠質量的建議。這種知識融合和推理的能力是PH-LLM提供個性化健康建議的關鍵。
為了確保模型生成的建議的準確性和有效性，研究人員還與一些專業的醫療人員合作，對PH-LLM輸出的內容進行綜合評估，以驗證其提供的健康分析、建議是否與現有的臨床實踐一致論文。
本文轉自 AIGC開放社區 ，作者：AIGC開放社區
