该研究提供了一个医学信息提取的工程框架，其中包括医疗实体识别、关系提取和属性提取。通过深度学习技术和注释语料库，该系统可以高准确率地提取医学实体、关系和属性。

Mar, 2022

本文提出了一种基于专家系统和注意力的模型（ESAL），使用混合专家和预训练 BERT 来识别不同类别的医学对话中的语义，能够融合它们之间的差异，并将其应用于公共数据集的实验结果表明，ESAL 显著改善了医学信息分类的性能。

Nov, 2022

本文介绍了一种 AI 辅助人力资源发展和人员评估的方法。利用无监督异常检测算法从视频中提取非语言行为信息，为人员评估提供支持，并保持人工评估师对系统的信任度。

Apr, 2022

医院信息系统的处方辅助软件已经成为医疗机构必不可少的一部分，但是这种系统使医生花费更多时间在电脑输入信息而不是提供医疗服务。本论文介绍了一种自然语言界面的电子处方软件，以口语对话系统的形式呈现，该系统允许医生语音记录处方，接近他们的正常实践方式。该系统在野外评估中表现出较好的处方时间和任务成功率，该评估数据已被录制和注释为 PxCorpus，是第一个完全向社区提供的口语药物处方语料库。

Nov, 2023

为了协助医学专家在日常活动中开发所需技术成为目前人工智能研究领域的热门话题。因此，最近提出了许多大型语言模型（LLMs）和自动基准，旨在利用自然语言作为人工智能与人类交互的工具，促进循证医学中的信息提取。本文提出了一个新的数据集，通过与以往研究不同的方式：（i）不仅包括正确答案的解释性论证，还包括解释错误答案不正确的论证；（ii）解释是由医生撰写的，以回答西班牙住院医师考试的问题。我们还利用这个新的基准来设置一项新的提取任务，即识别医生撰写的正确答案的解释。我们的设置的另一个好处是，我们可以利用提取问答范式来自动评估 LLMs 的性能，而不需要昂贵的人工评估。对西班牙语的语言模型进行了全面的实验，结果显示有时多语言模型的性能优于单语模型，甚至超过了已经针对医学领域进行调整的模型。此外，单语模型的结果不一致，表现竞争力的模型实际上更小、更低级。无论怎样，所获得的结果表明我们的新数据集和方法可以有效帮助医学专业人员识别与医学问题相关的循证解释。

Dec, 2023

医疗记录的无缝数字化面临一个主要障碍，即现有记录的互操作性不足。本论文提出了 MedPromptExtract，一种自动化工具，利用半监督学习、大型语言模型、自然语言处理和提示工程的组合，将非结构化的医疗记录转换为适合进一步分析的结构化数据。

May, 2024

该研究创建了第一个意大利神经心理学命名实体识别数据集，PsyNIT，并使用它开发了用于此任务的大型语言模型。通过多中心模型实验，建立了方法论指导，未来还可为意大利医院提供重要的研究机会。

Jun, 2023

大规模语言模型的进展显著提高了从非结构化和半结构化数据源中提取信息的效率。本文引入了一个自动框架，用于评估信息提取的质量和完整性，重点关注实体及其属性的信息提取。讨论了如何处理大规模语言模型的输入 / 输出大小限制，并分析了在迭代提取信息时它们的性能。最后，介绍了用于评估提取质量的度量标准，并对如何解释这些度量标准进行了广泛讨论。

Apr, 2024

为了解决多名评估员在评估功能失能时存在的一致性问题，作者开发了一个对话系统，该系统仿真了评估员和功能失能个体之间的互动，并需要自然语言理解和生成模块的支持。

Jul, 2023

通过提取上下文相关的信息、构建监督学习框架和整合领域专业知识，本研究聚焦于提高医疗信息的准确性，并强调了人本主义策略在适应医疗人工智能中的重要性。

Apr, 2024