该研究提供了一份 5000 份医学文章摘要的标注语料库，其中的标注包括描述人口、干预方法及比较、以及测量结果等关键信息，旨在协助检索医学文献并支持循证医学实践。

Jun, 2018

本文介绍了一种基于 PMC-OA 生物医学数据集的 CLIP-style 预训练模型，该模型在多项下游任务中取得了最先进的结果，包括 ROCO 的图像文本检索、MedMNIST 的图像分类和医学 VQA。

Mar, 2023

本研究介绍了一个新的人工评估的语境性短语匹配数据集，主要应用于专利和科学出版物中的技术概念，并且描述了该数据集和一些基线模型。

Aug, 2022

本文介绍了 PubMed 200k RCT 数据集，该数据集基于 PubMed 用于序列句子分类，旨在为开发更准确的算法和在文献阅读方面提供更好的工具。

Oct, 2017

本文探讨了由美国 FDA 所重视的临床和研究背景中患者报告的问题，结合一个包含 17 万个 PwPs（Parkinson's with Patients）在线开放式问答中的人工日志，从中分类临床相关的症状，并使用一个基于规则的语言字典和 NLP 技术的专家短语查询系统来缩放注释，最后构建了一个基于 Keras-TensorFlow 的多标签文本分类模型，通过在测试集上的 F1-score 达到了 95％以上。

May, 2023

本文介绍了我们在 MEDIQA-Chat 2023 共享任务中对于从医生 - 患者对话自动生成临床笔记的提交。我们报道了两种方法的结果：第一种微调共享任务数据上的预训练语言模型（PLM），第二种使用大型语言模型（LLM）进行少量样本的上下文学习（ICL）。两种方法在自动指标（如 ROUGE，BERTScore）上均实现了高性能，并分别排名共享任务的二和一位。专业人士的审查表明，通过基于 ICL 的方法和 GPT-4 生成的笔记与人工书写的笔记一样受欢迎，这使其成为从医生 - 患者对话自动生成笔记的有前途的途径。

May, 2023

PubMedQA 是一个从 PubMed 文摘中收集的生物医学问答（QA）数据集，共有 1k 位专家注释，61.2k 未标记和 211.3k 人工生成的 QA 实例，其中每个实例包括一个问题、相应的摘要、一个长答案和一个总结性答案。采用 BioBERT 的多阶段微调方法，结合长答案单词统计做为额外监督，实现了 68.1% 的准确率，比人类单一表现的 78.0% 的准确率还有改进的空间。

Sep, 2019

本文提供了一个注释指南并开发出一个带有基线分数的注释语料库来识别生物医学概念之间在医疗笔记中的暗示或明确的因果关系。在医疗文本中高度的评分一致性显示了我们注释指南的质量，而提供的基线 F1 分数则为未来研究向理解医疗文本中的叙述走向奠定了方向。

Oct, 2021

本文提出了一种整合了两个互补组件的方法，其中一个使用大型语言模型为数据增强，另一个则使用新颖的预训练目标作为诊断和问题清单的生成模型，其表现在 BioNLP 2023 共享任务 1A 上名列第二。

Jun, 2023

医生在每次患者访问后撰写的详细临床记录对医生和研究人员至关重要。利用语言模型自动化创建这些记录可以减轻医生的工作负担。本文介绍了 NoteChat，一个利用大型语言模型生成基于临床记录的合成医患对话的协作多代理框架。NoteChat 包括规划、角色扮演和润色模块。通过与 OpenAI 的 ChatGPT 和 GPT-4 等最先进模型进行全面的自动和人工评估，结果表明 NoteChat 促进了高质量的合成医患对话，突显了语言模型在医疗保健中的潜力。这项工作是多个语言模型合作完成以临床记录为条件的医患对话的首次示例，为人工智能与医疗保健的交叉领域提供了有前景的途径。

Oct, 2023