Clinical Camel
Modelo de linguagem clínico aberto de 70B
Com tecnologia da plataforma de IA médica Dr7.ai
O Clinical Camel é um modelo de linguagem médico aberto de grande porte, criado por pesquisadores da Universidade de Toronto. Ele faz o ajuste fino do LLaMA-2 70B com QLoRA e uma técnica de codificação de conhecimento baseada em diálogos, que transforma artigos médicos densos em dados de treinamento conversacionais.
Experimente o diálogo médico no estilo Clinical Camel
Faça perguntas clínicas em uma conversa natural — a demo mostra o raciocínio médico em formato de diálogo para o qual o Clinical Camel foi treinado.
Experimente outros modelos
Ver todosClinical Camel Demo
Conheça a IA médica avançada
Desbloqueie todo o potencial do Clinical Camel
Tenha diálogo clínico ilimitado, conversas mais longas e acesso à API para fluxos de trabalho de pesquisa e ensino.
O que é o Clinical Camel?
Clinical Camel é um modelo de linguagem clínico de grande porte e de código aberto, lançado em 2023 por Augustin Toma e colegas da Universidade de Toronto (Toma et al., "Clinical Camel: An Open Expert-Level Medical Language Model with Dialogue-Based Knowledge Encoding"). É um modelo LLaMA-2 70B com ajuste fino via QLoRA.
Seu ingrediente distintivo é a codificação de conhecimento baseada em diálogos (Dialogue-Based Knowledge Encoding, DBKE): artigos de revisão médica são reescritos como conversas com várias interações, de modo que o modelo absorve o conhecimento clínico na mesma forma conversacional com que os usuários interagem depois. A mistura de treinamento também inclui diálogos do ShareGPT e questões no estilo MedQA.
No lançamento, os autores divulgaram resultados em provas no estilo USMLE e em benchmarks padrão de perguntas e respostas médicas que eram competitivos com o GPT-3.5 e superiores aos de modelos médicos abertos anteriores. Como todo LLM de pesquisa, ele pode alucinar, e os autores o posicionam para pesquisa e ensino, e não para implantação clínica.
Novidade mais recente
Lançado em 2023 por pesquisadores da Universidade de Toronto (Toma et al.)
Pesos abertos (aplicam-se os termos de licença do LLaMA-2); 70B parâmetros; ajuste fino com QLoRA
Principais recursos
Conhecimento médico conversacional em um modelo aberto
Recursos principais
Diálogo e explicações clínicas com várias interações
Resposta a questões no estilo USMLE e a casos clínicos
Codificação de conhecimento baseada em diálogos a partir de artigos de revisão médica
Baseado no LLaMA-2 70B com ajuste fino eficiente em parâmetros com QLoRA
Pesos abertos para uso em pesquisa e ensino
Forte desempenho entre os modelos abertos no lançamento
Adequado para pesquisas sobre educação e comunicação com pacientes
Receita de treinamento e descrição de dados transparentes
Benchmarks de desempenho
Pontuações divulgadas no artigo do Clinical Camel para o modelo de 70B (não medidas pela Dr7.ai)
Prova de amostra do USMLE
64.3%Questões oficiais de amostra do USMLE
PubMedQA
77.9%Resposta a perguntas sobre literatura biomédica
MedQA
60.7%Questões de múltipla escolha no estilo USMLE
MedMCQA
54.2%Questões do exame de ingresso em medicina da Índia
Casos de Uso
Comunicação com pacientes
Protótipos de explicações de conceitos médicos em linguagem simples (com revisão de um médico).
Formação clínica
Discussões de casos simuladas para profissionais em formação.
Pesquisa em consultas virtuais
Estude triagem conversacional e anamnese com um modelo aberto.