EMSDialog：利用多LLM代理從電子病歷生成多方急救對話
arXiv - Computation and LanguageXueren Ge, Sahil Murtaza, Anthony Cortez, Homa Alemzadeh
開發多代理生成管線，產出4,414條真實感高的多方急救對話，並證實可提升診斷預測效能
AI 幫你先抓重點
AI 重點 1
多代理生成管線結合規則檢查，可大規模產生高真實感的多方醫療對話，解決資料稀缺問題。
滑鼠懸停看 AI 判斷理由
此方法提供可重複、可擴充的合成資料生成流程，對於需要多方互動的醫療對話系統開發與教育模擬具有重要價值，能降低實際收集成本並提升模型泛化能力。
AI 重點 2
使用合成資料增強訓練能顯著提升診斷預測的準確率、時效性與穩定性，證明合成資料可有效彌補真實資料不足。
滑鼠懸停看 AI 判斷理由
這一發現顯示合成對話不僅能補足資料量，還能提升模型在實際場景中的表現，為醫療 AI 研發者提供實用的資料增強策略。
核心研究發現
- 1
管線結合多LLM代理與規則檢查，產生4,414條多方急救對話，涵蓋43種診斷、說話者角色與回合主題。
- 2
人類與LLM評估顯示對話在語句與整體層級上均達高品質與真實感，評分指標顯示與真實對話相近。
- 3
將EMSDialog加入模型訓練後，對話式診斷預測的準確率、時效性與穩定性均有顯著提升。
對教育工作者的啟發
對於醫療教育工作者，可利用EMSDialog作為模擬急救情境，設計多方角色扮演，提升學生實務判斷與溝通技巧；對於課程設計者，可將合成對話嵌入案例分析與互動式學習模組；對於 AI 開發者，可採用多LLM代理管線快速產生高品質對話資料，並以此增強對話式診斷模型；對於政策制定者，可考慮將合成資料納入訓練標準，以降低實際資料收集成本並保障隱私。
原始文獻資訊
- 英文標題：
- EMSDialog: Synthetic Multi-person Emergency Medical Service Dialogue Generation from Electronic Patient Care Reports via Multi-LLM Agents
- 作者：
- Xueren Ge, Sahil Murtaza, Anthony Cortez, Homa Alemzadeh
- 來源：
- arXiv - Computation and Language
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。