臨床自由文本數據去識別化的多層框架 - DeIDClinic
DeIDClinic 集成了 ClinicalBERT 深度學習模型以及傳統的字典查找和基於規則的方法,以保護患者隱私並有效地識別和屏蔽或替換臨床文檔中的敏感可識別實體。
以排名取代評分：邁向可靠且穩健的大型語言模型生成醫療解釋性論證的自動化評估
本研究提出了一種新的評估方法,利用代理任務和排名來緊密對齊人類評估標準,克服了通常出現在作為評判的大型語言模型中的偏差。我們證明了所提出的評估器對抗性攻擊是穩健的,包括對非論證性文本的評估。此外,用於訓練評估器的人工撰寫論證僅需要每個代理任務一個示例。通過檢查多個由大型語言模型生成的論證,我們建立了一種確定代理任務是否適合評估由大型語言模型生成的醫療解釋性論證的方法,只需要五個示例和兩名人類專家。
以自然語言處理探討失智症的任務、資料集和機會
自然語言處理在失智症研究中扮演重要角色,可用於偵測失智症、提取語言生物標記、支援照顧者和協助患者。然而,現有研究仍存在資料、個人化方法、科學嚴謹性和實際應用等多方面的缺口和機會。
大型語言模型在醫療查詢中產生的幻覺
大型語言模型在回應醫療查詢時仍容易產生事實不符或虛構的資訊,這可能對社會和醫療產生重大影響。
人工智能在臨床文本生成的首次共同任務概述：RRG24 和「讓我出院吧！」
人工智能技術可以自動生成醫療報告的某些部分,以減輕醫生的工作負擔和簡化醫院文檔工作。
以生成式人工智能助手自動醫療編碼 - MedCodER
MedCodER是一個利用提取、檢索和重排技術的生成式人工智能框架,可以自動進行國際疾病分類(ICD)編碼,顯著優於現有最先進的方法。
利用領域特定檢索增強生成來提升大型語言模型:眼科長篇消費者健康問答的案例研究
大型語言模型在醫療領域應用時,可能會產生缺乏支持證據或基於虛構證據的響應。檢索增強生成(RAG)可以解決這一問題,但很少有研究在特定領域應用和評估RAG。本研究開發了一個眼科領域的RAG管道,並系統地評估了大型語言模型在長篇消費者健康問答中的表現,包括證據的真實性、證據的選擇和排序、證據歸屬以及答案的準確性和完整性。
大型語言模型在醫療領域的微調:直接參數優化的作用和重要性
直接參數優化(DPO)微調在更複雜的醫療任務中,如臨床推理、摘要和分類,能夠顯著提升性能,而監督式微調(SFT)則足以應對基於文本的簡單分類任務。
整合知識檢索和大型語言模型以修正臨床報告
提出一種利用大型語言模型和檢索增強生成技術的方法,以改善放射科報告中的錯誤檢測和修正。
保護醫療預訓練語言模型的版權：無需訓練的後門水印
提出一種無需訓練的後門水印方法,可有效保護醫療預訓練語言模型的版權,並在各種醫療下游任務中驗證水印。
© 2024 by Linnk AI