Logo_Website

# **Thai Medical Large Language Model** **Github** : [Github Evaluate](https://github.com/EIRAI-Thaimedical/EIRAI)
**PaPer** :
## **Llama-3.1-EIRAI-8B-instruct** **Llama-3.1-EIRAI-8B-instruct**: developed an **8-billion parameter model** specifically tailored for **Thai medical applications**, with expertise in both **Thai medical language** and **English medical terminology**. The model has demonstrated its capabilities through key benchmarks such as **MMLU**, **MedQA**, **PubMedQA**, and **MedMCQA**, as well as Thai language assessments like **ThaiExam**, **M3Exam**, **XNLI**, and **XCOPA**. Additionally, we have created a **Clinically Adapted Model Enhanced test** using the **Thai language** to support **clinical use in hospitals** and to further improve the performance of **Thai medical Retrieval-Augmented Generation (RAG)**. ## Notice While **Eir AI Thai Medical LLM** is designed to encode high-quality medical knowledge, it is **not yet optimized for safe, practical use** in real-world medical settings. The model is still in the research phase and should **not be used for clinical decision-making** without further validation, including randomized controlled trials. It is available for researchers to explore the potential of LLMs in medical contexts, but **real-world deployment is not recommended** in its current version. ## Safety and Future Work The current version of **Eir AI Thai Medical LLM** is under active development. We advise against using it for medical applications until further testing is completed. Our goal is to continue enhancing the model through **rigorous testing** and **real-world evaluation**, ensuring that it can be safely integrated into healthcare systems in the future. ## Model Overview - **Model Architecture:** Meta-Llama-3.1-8B-Instruct - **Version:** 1.0 - **License(s):** [llama3.1](https://huggingface.co/meta-llama/Meta-Llama-3.1-8B/blob/main/LICENSE) ### Evaluations | Medical Model | Clinical KG | Medical Genetics | Anatomy | Pro Medicine | College Biology | College Medicine | MedQA | PubMedQA | MedMCQA | Avg. | |--------------------------|---------------------|---------------------|--------------------|--------------------|--------------------|--------------------|-------------------|-------------------|-------------------|-------------------| | **GPT-3.5 Turbo 1106** | 74.7 | 60.2 | 65.9 | 72.0 | 64.73 | 64.73 | 57.71 | 72.66 | 66.0 | 66.6 | |Thai LLMs | | | | | | | | | | | | **Eir AI-8B** | 75.1 | 80.0 | 69.6 | 76.8 | 77.1 | 66.5 | 64.5 | **79.0** | 58.6 | 71.9 | | **Eir AI-8B + Prob** | **83.8** | **89.0** | **83.0** | **84.9** | **89.6** | **75.7** | **69.6** | 78.8 | **67.1** | **80.2** | | **Typhoon-v1.5x-8B** | 75.9 | 79.0 | 63.7 | 70.6 | 77.1 | 63.6 | 59.7 | 74.4 | 58.0 | 69.1 | | **OpenThaiGPT-beta-7B** | 37.4 | 38.0 | 4.5 | 32.7 | 36.1 | 32.4 | 32.4 | 62.0 | 31.8 | 34.1 | ## Translation Performance Metrics | **Model** | **BLEU Score** | **N-gram Precisions (%)** | **BP** | **Ratio** | |-------------------------------|----------------|---------------------------------|---------|-----------| | Typhoon-v1.5x-8B-Instruct | 34.42 | 71.3/50.6/38.6/29.6 | 0.764 | 0.788 | | Meta Llama 3.1-8B Instruct | 35.74 | 62.8/42.3/31.7/24.1 | 0.946 | 0.948 | | **Eir AI-8B** | **61.10** | **76.1/64.6/56.6/50.1** | **1.000**| **1.006** | | Eir AI-8B-prob | 47.91 | 74.0/58.0/48.2/40.6 | 0.890 | 0.896 | ## Clinically Adapted Thai Medical Task Performance | Task | GPT-3.5 | Typhoon-v1.5x-8B-instruct | GPT-4o | Eir AI-8B | |----------------------------------------|---------|----------------------------|--------|-----------| | Named Entity Recognition | 3.26 | 5.55 | 6.34 | **7.08** | | Temporal Information Extraction | 3.83 | 5.46 | 6.15 | **7.05** | | Paraphrasing | 2.36 | 4.68 | 6.35 | **7.06** | | Natural Language Generation | 2.63 | 4.87 | 6.91 | **7.66** | | Keyword Extraction | 2.60 | 5.15 | 7.01 | **7.35** | | Text Classification | 2.92 | 6.21 | 5.36 | **6.75** | | Relation Extraction | 3.29 | 5.94 | 4.37 | **6.92** | | Question Answering | 3.70 | 4.92 | 6.11 | **6.82** | | Text Summarization | 2.98 | 5.44 | **7.51**| **7.51** | | Abbreviation Expansion | 3.99 | 5.96 | 6.24 | **7.82** | | Clinical Concept Normalization | 2.67 | 5.63 | 5.82 | **6.55** | | Open-ended Question | 3.32 | 5.55 | 6.77 | **7.27** | | Multiple-Choice Question | 3.90 | 5.00 | 5.40 | **6.40** | | Coreference Resolution | 3.48 | 4.55 | 4.88 | **6.43** | | Yes/No Question | 2.71 | 5.86 | 4.86 | **7.38** | | Medical Translation | 3.00 | 4.00 | **7.79**| 7.65 | | Medical Thai Extraction | 2.81 | 7.16 | **8.62**| 8.16 | | Medical ICD Prediction | 2.08 | 3.16 | **8.12**| 6.41 | | **Average Score** | 3.05 | 5.33 | 6.38 | **7.11** | # Prompt Template This model uses `ChatML` prompt template: ``` <|begin_of_text|><|start_header_id|>system<|end_header_id|> {system_prompt}<|eot_id|><|start_header_id|>user<|end_header_id|> {prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|> ```` # Example Clinical Adapted ICD 10 Prediction ```` <|begin_of_text|><|start_header_id|>system<|end_header_id|> You are responsible for accurately assigning ICD-10 codes and to diagnose and document medical records. Your expertise ensures that healthcare providers are properly reimbursed and that patient care is well-documented. In this scenario, you will be presented with a series of medical records and your task is to provide the correct ICD-10 code(s) and ICD-9 CM in procedures based on the information provided. <|eot_id|> <|start_header_id|>user<|end_header_id|> "Chief Complaint :5วันก่อนมารพ.มีไข้ ไอ มีเสมหะ มีน้ำมูก เหนื่อย ปวดเมื่อยตามตัว \r\n Present illness : 5วันก่อนมารพ.มีไข้ ไอ มีเสมหะ มีน้ำมูก เหนื่อย ปวดเมื่อยตามตัว มีน้ำมูก เลือดกำเดาจาากข้างขวา ปฏิการกระทบกระแทก ไม่มีเจ็บคอ ไม่มีอาการอ่อนเพลีย มีอาการอ่อนเพลีย ไอมาก ไอตลอด มีอาการระคายคอ ปัสสาวะปกติ ไม่มีถ่ายเหลว \r\n\r\nAllergy : |\r\n\r\nOther : no underlying disease\r\n\r\nPlan Treatment Day 1 of hospitalization : admit ward \r\n\r\nReview of System { \r\n\r\n General :a thai adult female ,look sickness fatigue dry lip moderate dehydration \r\n Skin :no MP rash \r\n Eyes :not pale ,no icteric sclera \r\n Chest :secretion sound in both lung ,no crepitation , no wheezing \r \n } VitalSign First : {\n BP : 117.0/63.0 mmHg\n Pulse : 62.0 BPm\n Temperature : 37.0 Celsius\n Respiratory rate : 20.0\n Weight : 50.000 kgs.\n Height : 165.0 cm.\n Painscore: N/A\n O2SAT : 100\n}\n Lab Results: \n Electrolyte:Sodium (Na), Result : 143 mmol/L\r\n Electrolyte:Potassium (K),Result : 3.8 mmol/L\r\n Electrolyte:Chloride (Cl), Result : 108 mmol/L\r\n Electrolyte:Bicarbonate (CO2),Result : 27.0 mmol/L\r\n Creatinine (Serum):Creatinine, Result : 0.69 mg/dL\r\n Creatinine (Serum):eGFR,Result : 100.41 ml/min/1.73 m^2\r\n AST/SGOT:AST/SGOT, Result : 48 U/L\r\n ALT/SGPT:ALT/SGPT, Result : 42 U/L\r\n CBC:WBC Count,Result : 3.2 10^3/uL\r\n CBC:RBC Count, Result : 3.57 10^6/uL\r\n CBC:Hemoglobin (Hb), Result : 10.7 g/dL\r\n CBC:Hematocrit (HCT),Result : 32.4 %\r\n CBC:MCV, Result : 91 fL\r\n CBC:MCH, Result : 30.0 pg\r\n CBC:MCHC, Result : 33.0 g/dL\r\n CBC:RDW-CV,Result : 12.9 %\r\n CBC:Platelet Count, Result : 226 10^3/uL\r\n CBC:Platelet Estimates, Result : Adequate \r\n CBC:Neutrophils,Result : 41 %\r\n CBC:Lymphocytes, Result : 46 %\r\n CBC:Monocytes, Result : 9 %\r\n CBC:Eosinophils, Result : 4 %\r\n CBC:Basophils,Result : 0 %\r\n COVID-19 Antigen (Rapid Test) For Admit:COVID-19 Antigen (Rapid Test), Result : Positive \r\n Influenza A/B screening:Flu A,Result : Negative \r\n Influenza A/B screening:Flu B, Result : Negative \n X-ray Results: 15-05-2567 12:56 CHEST (PA, UPRIGHT)\r\n \r\nHISTORY: Fever with productive cough and dyspnea for 5 days. \r\nCOMPARISON: None.\r\n \r\n FINDINGS:\r\n TUBES/LINES: None.\r\nLUNGS: Normal lung volumes. Band-like opacity at right apical lung. Clear left lung.\r\n PLEURA: No pneumothorax or effusion. Mild bilateral apical pleural thickening. \r\n HEART AND MEDIASTINUM: Normal cardiac silhouette. Normal mediastinal contour.\r\n BONY STRUCTURES: Mild scoliosis of the thoracic spine. \r\n\r\n IMPRESSION:\r\n - Band-like opacity at right apical lung, probably plate atelectasis or fibrosis\r\n- Mild bilateral apical pleural thickening" <|eot_id|> <|start_header_id|>assistant<|end_header_id|> Let's analyze the provided information and document the appropriate ICD-10 codes based on the patient's symptoms and diagnosis. ### Step-by-Step Analysis: 1. **Understand the Symptoms and Diagnosis**: - The patient presents with a range of symptoms including fever, cough with sputum, fatigue, nasal discharge (including blood), and dyspnea. The lab tests returned a positive COVID-19 antigen test, while the influenza test was negative. 2. **Identify Key Terms**: - Primary key terms include 'COVID-19 positive', 'fever', 'productive cough', 'dyspnea', and pulmonary findings from the X-ray. 3. **Locate the Main Category**: - The main categories for the conditions noted are: - COVID-19: U07.1 - Possible acute bronchitis: J20 (based on the productive cough) - Other symptoms such as dizziness: R42 - Evidence of acute respiratory infection: J06.9 4. **Identify Specific Codes**: - Based on the diagnosis: - COVID-19 confirmed case: U07.1 - Acute bronchitis: J20.9 (considering unspecified acute bronchitis) - Dizziness (if noted as significant and problematic): R42 - Unspecified acute upper respiratory infection: J06.9 5. **Check for Additional Codes or Modifiers**: - Considering the details provided, the primary diagnosis is the confirmed COVID-19 infection, while bronchiolitis and dizziness might be secondary diagnoses. 6. **Validate the Code Selection**: - Confirm that the selected codes reflect the patient's symptoms accurately, including acute bronchitis and any other significant symptoms presented. 7. **Document the ICD-10 Code**: - The ICD-10 codes are documented for all noted conditions accordingly." ```json Answer: { "Primary_Diagnosis": { "Code": "U071", "Description": "COVID-19, virus identified" }, "Secondary_Diagnosis": [ { "Code": "J20", "Description": "Acute bronchitis due to unspecified organism" }, { "Code": "R42", "Description": "Dizziness and giddiness" }, { "Code": "J069", "Description": "Acute upper respiratory infection, unspecified" } ], "ICD9_Procedure": [] } ```` # Example Clinical Adapted Thai Medical Extraction ```` <|begin_of_text|><|start_header_id|>system<|end_header_id|> Task : Extract input the following patient information into output format Tone: the following medical text into Thai in a fluent and elegant style. Output Format.1.Age: \n2.Gender: \n3.Weight :\n4.Height : \n5.Chief Complaint: \n6.Symptoms and Signs: \n7.Medical History: \n 8.Current Medications: \n9.Laboratory Results: \n10.Imaging Findings: \n11.Allergy: \n12.Drug Allergy: <|eot_id|> <|start_header_id|>user<|end_header_id|> ผู้ป่วยของเราเป็นชายถนัดทั้งสองมือ อายุ 43 ปี มีประวัติการชักที่ไม่สามารถควบคุมได้มาเป็นเวลา 20 ปี ลักษณะการชักของเขามักจะรวมถึงการรู้สึกร้อนวูบวาบและอาการทางประสาทสัมผัสอื่น ๆ ที่พัฒนาไปสู่การเคลื่อนไหวของกล้ามเนื้อที่มีจุดศูนย์กลางส่วนใหญ่ทางด้านขวา การตรวจหาสาเหตุของการชักรวมถึงการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า (MRI) ซึ่งเผยให้เห็นเนื้องอกไขมันขนาดใหญ่ที่เส้นกลางสมอง การพัฒนาไม่สมบูรณ์ของคอร์ปัสคาโลซัมบางส่วน และรอยโรคที่อยู่ใกล้เคียงในสมองส่วนหน้าซ้ายที่คาดว่าจะเป็นเนื้องอกกลีอาล (glial neoplasm) ตามลักษณะภาพถ่ายทางรังสี รอยโรคในสมองส่วนหน้าซ้ายด้านหน้าและตรงกลางประกอบด้วยการกลายเป็นหินปูนแบบเป็นก้อนพร้อมการเพิ่มขึ้นของสัญญาณ FLAIR ที่กว้างขวางซึ่งเกี่ยวข้องกับไจรัสซิงกูเลตทั้งสองข้างและสมองส่วนหน้าซ้าย (รูปที่ ).\n\nการจัดการทางการแพทย์ล้มเหลวในการควบคุมการชักของเขาและเขาถูกส่งต่อเพื่อหาทางเลือกในการรักษาด้วยการผ่าตัด รอยโรคที่เพิ่มขึ้นถูกสังเกตด้วยการถ่ายภาพเพิ่มเติมและขอบเขตของอาการบวมน้ำก็เพิ่มขึ้นด้วย ความกังวลเกี่ยวกับการพัฒนาเนื้องอกกลีอาลที่เพิ่มขึ้นและการควบคุมการชักที่ไม่ดีทำให้มีการแนะนำให้ทำการผ่าตัด การตัดสินใจถูกทำขึ้นเพื่อดำเนินการผ่าตัดนำทางด้วยระบบประสาทเพื่อตัดมวลที่เพิ่มขึ้นในสมองส่วนหน้าซ้ายและการตัดสมองส่วนหน้าบางส่วนโดยใช้การตรวจคลื่นไฟฟ้าสมองระหว่างการผ่าตัด (intraoperative electroencephalogram - EEG), การทำแผนที่คอร์ติคอล (cortical mapping) และการตรวจวัดศักย์ไฟฟ้าที่เกิดจากการกระตุ้นประสาทรับความรู้สึก (somatosensory evoked potentials - SSEP)\n\nตัวอย่างที่ส่งไปตรวจทางพยาธิวิทยาแบบแช่แข็งในระหว่างการผ่าตัดพบว่ามีเส้นใยโรเซนธาล (Rosenthal fibers) และการกลายเป็นหินปูนแบบเป็นจุดซึ่งคาดว่าจะเป็นเนื้องอกกลีอาล การประเมินทางพยาธิวิทยาแบบถาวรเผยให้เห็นเนื้องอกไขมัน (lipoma) และความผิดปกติของคอร์ติคอลแบบเฉพาะจุด (focal cortical dysplasia) แบบ Palmini Type IA ในสมองที่อยู่ใกล้เคียง ความผิดปกติเล็กน้อยของโครงสร้างคอร์ติคอลและการเกิดกลีโอซิส (gliosis) ในเนื้อสมองขาวที่เกี่ยวข้องสามารถเห็นได้ในคราบสีฮีมาโทซิลินและอีโอซิน (hematoxylin and eosin - H&E) และคราบสีโปรตีนกรดกลีอาลไฟบริลลารี (glial fibrillary acidic protein - GFAP) และการย้อมสีโปรตีนเส้นประสาท (neurofilament protein - NFP) ในบริเวณที่เกิดกลีโอซิสไม่แสดงหลักฐานของเซลล์ประสาทที่ผิดรูป เซลล์ประสาทขนาดใหญ่ หรือเซลล์ลูกโป่ง (รูปที่ ).\n\n การถ่ายภาพหลังการผ่าตัด (รูปที่ ) แสดงให้เห็นการตัดรอยโรคที่เพิ่มขึ้นใกล้เคียงทั้งหมดในสมองส่วนหน้าซ้ายและไจรัสซิงกูเลต การลดลงอย่างมากของอาการบวมน้ำที่เกิดจากหลอดเลือดถูกสังเกตในภาพ FLAIR เนื้องอกไขมันที่เส้นกลางสมองไม่เปลี่ยนแปลง\n\nการฟื้นตัวหลังการตัดรวมถึงอาการเสริมในบริเวณมอเตอร์ซินโดรมระดับปานกลางรวมถึงอาการอ่อนแรงครึ่งซีก การพูดล่าช้า และการเปลี่ยนแปลงทางอารมณ์ การเปลี่ยนแปลงเหล่านี้ค่อยๆ หายไปและพบว่าผู้ป่วยมีความสมบูรณ์ทางระบบประสาทในการติดตามผลที่คลินิก การควบคุมการชักเกิดขึ้นทันทีหลังการตัด ยาต้านการชักถูกใช้อย่างต่อเนื่องและค่อยๆ ถูกถอดออกในเดือนต่อมาโดยไม่มีการกลับมาเป็นซ้ำ ผู้ป่วยไม่มีการชักเป็นเวลา 3 ปีหลังการตัด การถ่ายภาพติดตามผล 18 เดือนพบการเปลี่ยนแปลง T2/FLAIR ที่คงที่พร้อมกับบริเวณเล็ก ๆ <|eot_id|> <|start_header_id|>assistant<|end_header_id|> 1. อายุ: 43 ปี\n 2. เพศ: ชาย\n 3. น้ำหนัก: ไม่ระบุ\n 4. ส่วนสูง: ไม่ระบุ\n 5. อาการหลัก: การชักที่ไม่สามารถควบคุมได้\n 6. อาการและสัญญาณ: รู้สึกร้อนวูบวาบ, อาการทางประสาทสัมผัส, การเคลื่อนไหวของกล้ามเนื้อที่มีจุดศูนย์กลางส่วนใหญ่ทางด้านขวา\n 7. ประวัติการรักษา: การจัดการทางการแพทย์ล้มเหลวในการควบคุมการชัก\n 8. ยาที่ใช้ในปัจจุบัน: ยาต้านการชัก\n9. ผลการตรวจทางห้องปฏิบัติการ: ไม่ระบุ\n 10. ผลการตรวจภาพ: MRI แสดงเนื้องอกไขมันขนาดใหญ่ที่เส้นกลางสมอง, การพัฒนาไม่สมบูรณ์ของคอร์ปัสคาโลซัมบางส่วน, รอยโรคที่อยู่ใกล้เคียงในสมองส่วนหน้าซ้ายที่คาดว่าจะเป็นเนื้องอกกลีอาล\n 11. อาการแพ้: ไม่ระบุ\n 12. อาการแพ้ยา: ไม่ระบุ\n การผ่าตัดนำทางด้วยระบบประสาทเพื่อตัดมวลที่เพิ่มขึ้นในสมองส่วนหน้าซ้ายและการตัดสมองส่วนหน้าบางส่วนได้ถูกดำเนินการ และผลการตรวจทางพยาธิวิทยาเผยให้เห็นว่าเป็นเนื้องอกไขมันและความผิดปกติของคอร์ติคอลแบบเฉพาะจุด (focal cortical dysplasia) แบบ Palmini Type IA ในสมองที่อยู่ใกล้เคียง การฟื้นตัวหลังการผ่าตัดรวมถึงอาการเสริมในบริเวณมอเตอร์ซินโดรมระดับปานกลาง แต่การควบคุมการชักเกิดขึ้นทันทีหลังการผ่าตัดและผู้ป่วยไม่มีการชักเป็นเวลา 3 ปีหลังการผ่าตัด การถ่ายภาพติดตามผล 18 เดือนพบการเปลี่ยนแปลง T2/FLAIR ที่คงที่พร้อมกับบริเวณเล็ก ๆ ที่เพิ่มขึ้นของการเพิ่มขึ้นใกล้เคียงที่ไม่เปลี่ยนแปลง. ```` # How to use ```python Using transformers.pipeline() API import transformers import torch model_id = "EIRTHAIMED/Llama-3.1-EIRAI-8B" pipeline = transformers.pipeline( "text-generation", model=model_id, model_kwargs={"torch_dtype": torch.bfloat16}, device_map="auto", ) messages = [ {"role": "system", "content": "You are an expert medical assistant named EIR , developed by EIR Thai Medical LLM. You are to be a helpful, respectful, and honest assistant."}, {"role": "user", "content": "การใช้ clinical tracer มีบทบาทอย่างไรในการพัฒนาคุณภาพการดูแลผู้ป่วย?"} ] outputs = pipeline(messages, max_new_tokens=128, do_sample=True, temperature=0.01, top_k=100, top_p=0.95) print(outputs[0]["generated_text"][-1]) ``` ``` @article{EirAI, title={Eir: Thai Medical Large Language Models}, author={Yutthakorn Thiprak and Rungtam Ngodngamthaweesuk and Songtam Ngodngamtaweesuk, MD}, year={2024}, journal={arXiv preprint arXiv:2409.08523}, url={https://arxiv.org/abs/2409.08523} } ``` --- **Thank you very much** Asst.Prof.Dr. Ekapol Chuangsuwanich and Praj Bhargava @Meta Research Engineer, for your valuable endorsement of our preprint paper on arXiv. **Thank you** Draft Reviewer Report [Kullawat Chaowanawatee](https://www.computing.psu.ac.th/profile/index.php?staffid=coc0051) and [Dr. Jakapan Suaboot](https://www.computing.psu.ac.th/profile/index.php?staffid=coc0056) from Prince of Songkla University, Phuket Campus
Draft Industry Reviewer Report [Mr. Piyawat Maneenual](https://ieeexplore.ieee.org/author/37086452350) ,Assistant IT Manager ,Thonburi Rajyindee Hospital

Full Model Card (README)