ShiZhenGPT：面向中医药领域的多模态大型语言模型 精华

​摘要

尽管大型语言模型（LLMs）在各个领域取得了成功，但由于两个关键障碍，它们在中医药（TCM）领域的潜力仍未被充分探索：

（1）高质量中医药数据的稀缺性；

（2）中医药诊断固有的多模态特性，包括观察、听诊、嗅闻和脉诊。这些感官丰富的模态超出了传统LLMs的范围。为了应对这些挑战，我们提出了石真GPT，这是首款专为中医药定制的多模态大型语言模型。为了克服数据稀缺问题，我们整理了迄今为止最大的中医药数据集，包括100GB以上的文本和200GB以上的多模态数据，涵盖120万张图片、200小时的音频和生理信号。

ShizhenGPT经过预训练和指令微调，以实现对中医药知识的深入理解和多模态推理。为了评估，我们收集了最新的国家中医药资格考试，并构建了药物识别和视觉诊断的视觉基准。实验表明，石真GPT在规模和性能上优于同类大型语言模型，并且能与更大的专有模型竞争。此外，它在现有的多模态大型语言模型中在中医视觉理解方面领先，并展示了跨模态如声音、脉象、气味和视觉的统一感知能力，为中医的整体多模态感知和诊断铺平了道路。数据集、模型和代码都是公开可用的。我们希望这项研究能激发该领域的进一步探索。

​​https://github.com/FreedomIntelligence/ShizhenGPT​​

核心速览

研究背景

1.研究问题：这篇文章要解决的问题是如何利用大型多模态语言模型（LLM）来处理传统中医（TCM）中的复杂诊断问题。尽管大型语言模型在各个领域取得了显著的成功，但由于高质量TCM数据的稀缺性和TCM诊断的多模态特性，这些模型在TCM领域的潜力尚未得到充分探索。

2.研究难点：该问题的研究难点包括：

•高质量TCM数据的稀缺性。现有的TCM特定LLM训练数据通常小于1GB，远低于现代医学领域使用的数据量。

•TCM诊断的多模态特性。TCM依赖于视觉、听觉、嗅觉和脉诊等多种感官信息，这些信息超出了传统文本模型的范畴。

3.相关工作：该问题的研究相关工作包括：

•现有的TCM特定LLM模型由于训练数据量小，仅限于文本场景，缺乏多模态感知能力。

•通用LLM虽然在某些视觉或音频任务上表现出色，但不适用于TCM，且仅提供有限的支持。

研究方法

这篇论文提出了ShizhenGPT，第一个专门为TCM定制的多模态LLM。具体来说，

1.数据收集与预处理：为了解决数据稀缺问题，研究者构建了一个迄今为止最大的TCM数据集，包括超过100GB的文本数据和超过200GB的多模态数据，涵盖1.2百万张图像、200多小时的音频和各种生理信号。

2.模型架构：ShizhenGPT由三个主要组件组成：LLM骨干、视觉编码器和信号编码器。

•LLM骨干：使用Qwen-2.5-7B和Qwen-2.5-32B作为基础LLM，处理来自多个模态的输入并生成响应。

•视觉编码器：从Qwen-2.5-VL初始化，支持高分辨率图像，使用2D-RoPE和窗口注意力机制。

•信号编码器：使用Whisper-large-v3作为初始信号编码器，非音频信号首先转换为波形表示，然后重采样为16kHz的128通道梅尔频谱图。

3.预训练：采用两阶段预训练策略：

•第一阶段：专注于文本学习，使用11.9B令牌进行预训练，包括6.3B的TCM语料库和5.6B的普通语料库。

•第二阶段：使用3.8B的多模态数据进行预训练，包括TCM和普通图像-文本和音频-文本数据。

4.指令微调：在预训练后，模型获得基础TCM知识和多模态能力。指令微调数据涵盖四个类别：TCM文本指令、视觉指令、音频指令和生理信号指令。最终通过全参数调优进行微调，生成最终的ShizhenGPT模型。

实验设计

1.数据收集：预训练数据集包括TCM文本语料库、TCM图像-文本数据和TCM音频-文本数据。具体来说，TCM文本语料库从3256本TCM书籍和在线来源收集，经过过滤和处理后得到21.2GB的高质量网络语料库。TCM图像-文本数据从TCM书籍和微信文章中提取，经过过滤和合成后得到140.7GB的网络图像-文本数据。TCM音频-文本数据从Huatuo-26M数据集中提取，并通过高保真TTS系统合成音频，得到58K的对齐音频-文本对。

2.实验设置：训练了两个版本的ShizhenGPT：ShizhenGPT-7B和ShizhenGPT-32B，分别基于Qwen2.5-7B和Qwen2.5-32B骨干。实验在两个DGX节点上进行，每个节点有8个A100 GPU。

3.基准测试：比较了ShizhenGPT与多种基线模型，包括通用LLM和多模态LLM。视觉基准测试使用了七个权威图谱，涵盖中药识别和视觉诊断等子领域。人类评估邀请了6位有执照的TCM实践者对模型响应进行评估。

结果与分析

1.TCM专业知识评估：在最新的国家TCM职业资格考试中，ShizhenGPT-7B在小规模类别中平均得分最高，超过了其他TCM特定模型和较大的通用LLM。ShizhenGPT-32B在中规模类别中表现最强，平均得分为78.1，超过了多个70B+模型。

2.视觉能力评估：在TCM视觉基准测试中，ShizhenGPT-32B在所有基线模型中得分最高，达到了63.6，展示了其在TCM视觉理解方面的强大能力。

3.一般语音能力评估：在标准语音基准测试中，ShizhenGPT展示了强大的语音理解能力，与Qwen2-Audio-Instruction的表现相当。

4.信号模态评估：在嗅觉、心音和脉搏等信号模态上，ShizhenGPT均优于随机基线，展示了其统一的多模态感知能力。例如，在脉搏信号的妊娠检测中，准确率达到了80%。

5.消融研究：预训练数据规模的增加显著提高了模型在TCM专业知识和视觉理解方面的能力。多模态数据的集成在某些任务中带来了适度的增益，同时保留了单模态的强性能。

总体结论

这篇论文介绍了ShizhenGPT，第一个专门为TCM定制的多模态LLM，并展示了其在TCM专业知识、视觉理解和多模态感知方面的强大能力。通过大规模数据集和两阶段预训练策略，ShizhenGPT成功地克服了TCM数据稀缺和多模态特性的挑战。该研究为TCM领域的进一步探索提供了重要的数据和见解，推动了AI在TCM中的应用。

论文评价

优点与创新

1.数据集规模：论文发布了迄今为止最大的中医药（TCM）数据集，包含超过100GB的文本数据和超过200GB的多模态数据，显著缓解了数据稀缺的问题。

2.多模态模型：提出了ShizhenGPT，第一个专为中医药定制的多模态大型语言模型（LLM），能够理解图像、声音、气味和脉搏等多种模态。

3.领域专业知识：通过领域特定的预训练和指令微调，ShizhenGPT获得了深厚的中医药知识和多模态推理能力。

4.视觉诊断任务：在中医药视觉任务中，ShizhenGPT领先于现有的多模态LLMs，并在七个生理信号数据集上展示了有效的多模态感知能力。

5.公开数据集和代码：数据集、模型和代码均公开发布，鼓励进一步的研究和探索。

6.全面评估基准：构建了一个全面的中医药多模态基准套件，涵盖文本、视觉、信号和人类评估，系统性地评估LLMs在中医药中的应用。

不足与反思

1.信号数据不足：尽管文本和图像数据规模庞大，但高质量的信号数据（如气味、脉搏）仍然稀缺，主要来自有限的公共数据集，限制了模型在这些模态中的完全发展和泛化能力。

2.缺乏实际临床测试：尽管进行了专家评估，ShizhenGPT尚未在实际临床环境中进行测试，缺乏患者级别的反馈，限制了对其实际有效性和安全性的理解。

3.模态覆盖不完整：当前的模态包括视觉、声音和部分生理信号，但其他模态如触觉仍然缺失。

关键问题及回答

问题1：ShizhenGPT的模型架构是如何设计的？各组件的具体功能是什么？

ShizhenGPT由三个主要组件组成：LLM骨干、视觉编码器和信号编码器。

•LLM骨干：使用Qwen-2.5-7B和Qwen-2.5-32B作为基础LLM，处理来自多个模态的输入并生成响应。LLM骨干是模型的核心推理引擎，负责理解和生成文本。

•视觉编码器：从Qwen-2.5-VL初始化，支持高分辨率图像，使用2D-RoPE和窗口注意力机制。视觉编码器负责处理图像输入，将图像转换为模型可以理解的向量表示。

•信号编码器：使用Whisper-large-v3作为初始信号编码器，非音频信号首先转换为波形表示，然后重采样为16kHz的128通道梅尔频谱图。信号编码器负责处理音频和生理信号，将这些信号转换为模型可以处理的格式。

问题2：ShizhenGPT在预训练阶段采用了哪些策略？这些策略如何帮助模型学习TCM知识？

ShizhenGPT在预训练阶段采用了两阶段预训练策略：

•第一阶段：文本预训练：专注于文本学习，使用11.9B令牌进行预训练，包括6.3B的TCM语料库和5.6B的普通语料库。这一阶段的目的是建立模型的基础语言能力，并注入初步的TCM知识。

•第二阶段：多模态预训练：使用3.8B的多模态数据进行预训练，包括TCM和普通图像-文本和音频-文本数据。这一阶段的目的是引入视觉和音频知识，使模型能够理解和处理多模态数据。

这些策略帮助模型通过大规模数据集的学习，逐步积累和深化对TCM知识的理解，从而在后续的指令微调阶段能够更好地应用于具体的TCM任务。

问题3：ShizhenGPT在实验中表现如何？与其他模型相比有哪些优势？

1.TCM专业知识评估：在最新的国家TCM职业资格考试中，ShizhenGPT-7B在小规模类别中平均得分最高，超过了其他TCM特定模型和较大的通用LLM。ShizhenGPT-32B在中规模类别中表现最强，平均得分为78.1，超过了多个70B+模型。

2.视觉能力评估：在TCM视觉基准测试中，ShizhenGPT-32B在所有基线模型中得分最高，达到了63.6，展示了其在TCM视觉理解方面的强大能力。

3.一般语音能力评估：在标准语音基准测试中，ShizhenGPT展示了强大的语音理解能力，与Qwen2-Audio-Instruction的表现相当。

4.信号模态评估：在嗅觉、心音和脉搏等信号模态上，ShizhenGPT均优于随机基线，展示了其统一的多模态感知能力。例如，在脉搏信号的妊娠检测中，准确率达到了80%。

总体而言，ShizhenGPT在TCM专业知识、视觉理解和多模态感知方面表现出色，展示了其在处理复杂TCM诊断问题上的潜力。

本文转载自​​​​​​知识图谱科技​​​​​​，作者：Wolfgang