可解释的外科手术推荐系统：利用大规模语言模型

《ACM Transactions on Recommender Systems》：Explainable Surgical Procedures Recommender System Leveraging Large Language Models

近年来推荐系统与大语言模型（LLMs）结合在手术方案推荐中取得重要进展。通过LLMs处理形态复杂的临床文本，实现信息表征、数据增强和决策解释三重功能，结合患者人口统计学特征和健康状况的实证分析，实验证明该方法在提升推荐准确性和可解释性方面效果显著，为个性化医疗提供新路径。

　　

摘要

最近，在推荐系统和自然语言处理领域取得了显著进展，尤其是在大型语言模型（LLMs）方面。推荐系统通常用于为用户推荐内容并提升个性化体验，而LLMs则被应用于文本任务，如文本补全、翻译和摘要生成。在本研究中，我们证明了将推荐系统模型与最新的LLMs相结合可以有效地为患者提供合适的外科手术建议。我们使用了多个LLMs来处理具有丰富形态特征的临床文本，这些LLMs承担了三个关键角色：信息表示、信息丰富化以及解释推荐系统提出的手术建议。我们的方法使用了真实的临床数据进行了评估，并考虑了患者的人口统计特征和健康状况。为了评估该方法的可解释性，我们与多位临床医生进行了广泛的实验。实验结果表明，结合使用推荐系统和LLMs能够提高性能并优化解释效果。我们的研究有望提升医疗服务的个性化程度，可以被医疗服务机构采纳，以帮助医疗专业人员为患者推荐合适的外科手术。