通过训练大规模语言模型来判别医学问题，我们使用多问题序列 BERT 方法训练深度神经网络，实现了在医学多选题数据集上 0.68 和 0.60 的准确率，展示了人工智能和大规模语言模型在医疗领域多分类任务中的能力。

Mar, 2024

研究使用细粒度分层分类法的最大挑战数据集，与基于 BERT 模型的算法相比，可以大大提高问题分类的准确度以及进一步改善问题回答系统的性能。

Aug, 2019

提出了四个新方法来改进生物医学领域问题回答，包括机器学习问题类型分类和语义类型确定，文档和段落检索，以及精确和理想答案的提取。

Jul, 2023

本论文提出一种基于视觉问答的方法来查询深度学习模型的行为，通过在多个医学和自然图像数据集上进行实验，证明该方法较目前方法具有相同或更高的准确度，有效地解决了深度学习方法缺乏透明性的问题。

Mar, 2020

我们提出了一个新的框架 QC4QA，利用自我监督的方法通过伪标签实现问题分类，最大化平均差异来减少源域和目标域之间的交叉差异，以及在同一问题类别的 QA 样本中最小化内部类别差异，该方法在多个数据集上比基准方法有了明显的改进。

Sep, 2022

通过与传统标记分类方法的比较，我们发现当处理较短、干净的实体时，最好使用基于标记分类的方法，而 QA 方法可以成为嘈杂环境或长实体用例的良好替代方案。

Apr, 2023

提出了一种新的方法，自动生成用于 QA 模型的迁移学习的训练数据，该模型在电子健康记录的信息提取子任务中表现出色且能够有效处理少样本或零样本情况的问题。

Feb, 2024

本研究提出了一种问题清晰度分类方法，该方法通过类似问题进行分类，以此作为基础为问题制定支持用户界面的开发提供可行的替代方案，并对其进行了与文本分类基线的比较。

Jan, 2019

通过使用大规模数据集和视觉答案，本文聚焦于使用医疗视频为公众提供有关健康的视觉答案，并分析了数据集对模型训练和可视特征在提高单模态和多模态方法性能方面的影响。

Sep, 2023

介绍新的数据集和任务，旨在促进医疗视频的理解与自然语言问题的视觉回答，并以这两项任务为重心，提供跨模态（医疗语言和医学视频）的理解挑战。这些任务和数据集有助于推动支持公众和医务人员受益的下游应用程序的发展，并已通过医学信息学专家的验证和修正。

Jan, 2022