Clinical Camel
Offenes klinisches 70B-Sprachmodell
Bereitgestellt von der medizinischen KI-Plattform Dr7.ai
Clinical Camel ist ein offenes medizinisches Large Language Model von Forschenden der University of Toronto. Es wurde auf Basis von LLaMA-2 70B mit QLoRA und einer dialogbasierten Wissenskodierung feinabgestimmt, die dichte medizinische Fachartikel in dialogförmige Trainingsdaten umwandelt.
Medizinische Dialoge im Stil von Clinical Camel testen
Stellen Sie klinische Fragen im natürlichen Gespräch – die Demo zeigt das dialogbasierte medizinische Schlussfolgern, für das Clinical Camel trainiert wurde.
Andere Modelle testen
Alle anzeigenClinical Camel Demo
Erleben Sie fortschrittliche medizinische KI
Volles Potenzial von Clinical Camel freischalten
Erhalten Sie unbegrenzte klinische Dialoge, längere Gespräche und API-Zugang für Forschungs- und Lehr-Workflows.
Was ist Clinical Camel?
Clinical Camel ist ein klinisches Open-Source-Large-Language-Model, das 2023 von Augustin Toma und Kollegen an der University of Toronto veröffentlicht wurde (Toma et al., "Clinical Camel: An Open Expert-Level Medical Language Model with Dialogue-Based Knowledge Encoding"). Es handelt sich um ein mit QLoRA feinabgestimmtes LLaMA-2-70B-Modell.
Sein besonderes Merkmal ist das Dialogue-Based Knowledge Encoding (DBKE): Medizinische Übersichtsartikel werden in Dialoge mit mehreren Gesprächsrunden umgeschrieben, sodass das Modell klinisches Wissen in genau der Gesprächsform aufnimmt, in der Nutzer später mit ihm interagieren. Der Trainingsmix umfasst außerdem ShareGPT-Dialoge und Fragen im MedQA-Stil.
Bei der Veröffentlichung berichteten die Autoren Ergebnisse bei Prüfungen im USMLE-Stil und gängigen medizinischen QA-Benchmarks, die mit GPT-3.5 konkurrieren konnten und über früheren offenen medizinischen Modellen lagen. Wie alle Forschungs-LLMs kann es halluzinieren; die Autoren sehen es für Forschung und Lehre vor, nicht für den klinischen Einsatz.
Neueste Entwicklung
2023 von Forschenden der University of Toronto veröffentlicht (Toma et al.)
Offene Gewichte (es gelten die Lizenzbedingungen von LLaMA-2); 70B Parameter; QLoRA-Feinabstimmung
Hauptfunktionen
Medizinisches Wissen in Dialogform in einem offenen Modell
Kernfähigkeiten
Klinische Dialoge über mehrere Gesprächsrunden und Erklärungen
Beantwortung von Fragen im USMLE-Stil und klinischen Fallvignetten
Dialogue-Based Knowledge Encoding medizinischer Übersichtsartikel
Basiert auf LLaMA-2 70B mit parametereffizienter QLoRA-Feinabstimmung
Offene Gewichte für Forschung und Lehre
Starke Leistung unter den offenen Modellen zum Zeitpunkt der Veröffentlichung
Geeignet für Forschung zu Patientenaufklärung und Kommunikation
Transparentes Trainingsrezept und transparente Datenbeschreibung
Leistungs-Benchmarks
Im Clinical Camel-Paper berichtete Werte für das 70B-Modell (nicht von Dr7.ai gemessen)
USMLE-Beispielprüfung
64.3%Offizielle USMLE-Beispielfragen
PubMedQA
77.9%Fragenbeantwortung zur biomedizinischen Literatur
MedQA
60.7%Multiple-Choice-Fragen im USMLE-Stil
MedMCQA
54.2%Fragen aus indischen Medizin-Aufnahmeprüfungen
Anwendungsfälle
Patientenkommunikation
Allgemeinverständliche Erklärungen medizinischer Konzepte prototypisch entwickeln (mit ärztlicher Prüfung).
Klinische Ausbildung
Simulierte Fallbesprechungen für Lernende in Aus- und Weiterbildung.
Forschung zu virtuellen Konsultationen
Dialogbasierte Triage und Anamnese mit einem offenen Modell untersuchen.