Medizinische Anwendungen durch Feinabstimmung großer Sprachmodelle
Die Feinabstimmung von Sprachmodellen auf Instruktionen (IFT) ist entscheidend, um Großsprachmodelle (LLMs) an vielfältige menschliche Bedürfnisse anzupassen. Dieser Ansatz zeigt großes Potenzial für medizinische Anwendungen. Allerdings konzentrieren sich bisherige Studien hauptsächlich auf die Feinabstimmung von LLMs auf begrenzte biomedizinische Datensätze, was ihre Leistung bei der Befolgung medizinischer Instruktionen und ihre Übertragbarkeit einschränkt. Um diese Lücke zu schließen, schlagen wir die Erstellung eines vielfältigen, maschinell generierten medizinischen IFT-Datensatzes vor, der LLMs wie LLaMA-Modelle durch Feinabstimmung zu einer überlegenen Leistung in medizinischen Anwendungen und einer stärkeren Generalisierbarkeit befähigt.
Analyse von großen Sprachmodellen in der medizinischen Fragebeantwortung
Größere Sprachmodelle übertreffen kleinere Modelle, aber Architektur und Daten sind entscheidend.
MedKP: Verbesserung der medizinischen Dialoge mit Wissensverstärkung und klinischer Pfadkodierung
MedKP verbessert die Genauigkeit und Zuverlässigkeit von automatischen medizinischen Konsultationsantworten durch die Integration von Wissensverstärkung und klinischer Pfadkodierung.
General Surgery Vision Transformer: Pre-training Model for Surgical Applications
Die Einführung des General Surgery Vision Transformer (GSViT) und des GenSurgery-Datensatzes zielt darauf ab, die Effizienz und Leistungsfähigkeit von KI-Modellen in der Chirurgie zu verbessern.
Ein konzeptbasiertes Interpretierbares Modell zur Diagnose von Choroid-Neoplasien unter Verwendung multimodaler Daten
Interpretierbare KI kann die Diagnose seltener Krankheiten verbessern und die Genauigkeit von Juniorärzten steigern.
Sichere und ausgerichtete große Sprachmodelle für die Medizin
Medizinische Sprachmodelle müssen sicher und ausgerichtet sein, um potenzielle Risiken für die persönliche Gesundheit, die öffentliche Gesundheit und die Menschenrechte zu minimieren.
Apollo: Leichtgewichtige multilinguale medizinische LLMs zur Demokratisierung der medizinischen KI für 6 Milliarden Menschen
Die Entwicklung von Apollo ermöglicht die Demokratisierung der medizinischen KI für eine breitere Bevölkerung durch die Schaffung von multilingualen medizinischen LLMs.
SERVAL: Synergy Learning for Zero-shot Medical Prediction
SERVAL ermöglicht die Entwicklung von vertikalen Fähigkeiten in LLMs und kleinen Modellen durch gegenseitige Verbesserung.
OpenMedLM: Prompt Engineering in der medizinischen Fragebeantwortung mit Open-Source großen Sprachmodellen
OpenMedLM demonstriert die Leistungsfähigkeit von Prompt-Engineering bei OS großen Sprachmodellen in der medizinischen Fragebeantwortung.
Analyse von Benchmarking großer Sprachmodelle zur Beantwortung und Erklärung schwieriger medizinischer Fragen
Große Sprachmodelle zeigen beeindruckende Leistungen bei der Beantwortung medizinischer Fragen, aber es besteht Bedarf an neuen Metriken für die Bewertung von Modellerklärungen.
