Ziel dieser Studie ist die Entwicklung einer automatisierten Methode zur Differenzialdiagnose von Symptomen in der Traditionellen Chinesischen Medizin (TCM). Die Methode baut zunächst ein Instr-MT-TCM Multitask-Text-Einbettungsmodell basierend auf Fachwissen, synonymen Begriffen, Differenzialdiagnose und TCM-Fallmarkierungen auf und trainiert es. Anschließend wählten fünf TCM-Diagnostikexperten mit mindestens Masterabschluss Symptome aus realen klinischen TCM-Datensätzen aus und annotierten diese, um die F1-Bewertung der Zusammenarbeit zwischen Instr-MT-TCM und Large Language Models (LLM) gegenüber manuellen Annotationen zu bewerten. Abschließend wurde die Methode zur Verifizierung der klinischen Anwendbarkeit auf 48 reale Prostatakrebsfälle angewendet. Das Instr-MT-TCM Modell zeigte zu Beginn des Trainings eine schnelle Leistungssteigerung mit einer R@1 von 0,848. Die Experten selektierten 1793 reale TCM-Fälle, die 34 häufige Krankheiten und 66 Syndromtypen abdecken. In der Symptomdiagnoseaufgabe erreichte die Kooperation zwischen LLM und Instr-MT-TCM einen durchschnittlichen F1-Wert von 0,927, deutlich besser als die manuelle Annotation mit 0,512. Bei der Analyse der Symptome von 48 Prostatakrebsfällen dominierten pathogene Symptome vom Typ Feuer (Hitze) und Yin-Mangel, wobei die pathologischen Lokalisationen hauptsächlich Blase und Niere waren. Fazit: Diese Studie stellt erstmals eine innovative automatisierte Methode zur TCM-Symptomdiagnose vor und validiert sie, die auf der Kooperation zwischen LLM und Instr-MT-TCM basiert. Die Methode erreichte hohe F1-Werte (0,927) auf realen Daten, zeigte hohe Genauigkeit und starke Generalisierbarkeit und demonstrierte gutes klinisches Potenzial bei der Analyse von Prostatakrebs. Sie bietet effektive technische Unterstützung und neue Forschungsrichtungen für die intelligente TCM-Symptomanalyse.

TCM-Symptomdiagnose;große Sprachmodelle;Text-Einbettung