Mar, 2023

DeID-GPT：GPT-4 零痕迹医疗文本去识别

PDF
TL;DR该研究使用 GPT-4 大型语言模型开发了一种名为 DeID-GPT 的新的医学文本数据去识别框架，通过在医学领域使用零 - shot 上下文学习识别模型保护隐私信息，并保留文本的原始结构和含义，比起现有方法 DeID-GPT 的准确性最高，可在更广泛的情境下使用。
de-identificationmedical text datalarge language modelshipaaconfidentiality
发现论文，激发创造
  • 超越准确性：大规模真实世界临床文本数据的自动化去识别

    构建一个自动化系统以去识别超过十亿条临床笔记，通过使用混合的基于上下文的模型体系结构，在可靠且链接的匿名文档方面提供实用的解决方案。

    Dec, 2023

  • 零样本学习：使用 GPT 模型从临床记录中提取社会因素和家族史的最小指令

    通过提供最少的信息给 GPT 模型，我们研究了在电子健康记录的非结构化文本中记录的人口统计学、社会健康决定因素和家族史信息，我们探索了两组评估指标来完全理解 GPT 模型的性能，我们结果表明，GPT-3.5 方法在人口统计学提取上达到了 0.975 的平均 F1 得分，在社会健康决定因素提取上达到了 0.615 的平均 F1 得分，在家族史提取上达到了 0.722 的平均 F1 得分，我们相信这些结果可以通过模型微调或少样本学习进一步改进，并且通过案例研究，我们还发现了 GPT 模型的局限性，需要在未来的研究中加以解决。

    Sep, 2023

  • 医疗数据增强：基于 ChatGPT 的药物识别和药物事件分类案例研究

    本研究旨在探讨利用预训练的大型语言模型 (ChatGPT) 进行数据增强来识别电子病历中的关键因素，结果表明基于 ChatGPT 的数据增强对药物识别和药物事件分类任务的性能提高有益。

    Jun, 2023

  • 利用大型语言模型（如 ChatGPT 或 GPT-4）作为临床助手的潜力和风险

    在使用真实的大型电子病历数据库进行两项分析后，发现 ChatGPT 和 GPT-4 可以通过思路链和几次提示，准确地完成疾病分类任务，并为卫生保健工作者提供诊断辅助，但是这些模型目前存在错误陈述、忽视重要医学发现、推荐不必要的调查和过度治疗等问题，并伴随有隐私问题，因此仍不适用于现实世界的临床使用。不过，与传统机器学习工作流程的配置相比，这些模型所需的数据和时间较少，突出了它们在卫生保健应用中的可扩展性潜力。

    Jul, 2023

  • 利用自然语言处理进行临床自由文本去识别的当前方法综述

    电子健康记录（EHRs）是数据驱动型医学研究的宝贵资源，而去识别（即去除个人健康信息）是使 EHR 数据可供研究目的共享的关键步骤。本研究系统审查了过去 13 年临床自由文本去识别的发展，并报告了目前最先进系统的性能和局限性，并识别了该领域的挑战和研究机会。

    Nov, 2023

  • 针对医疗记录去标识化的保护隐私文本表示的对抗性学习

    本论文提出使用 LSTM-CRF 模型和隐私保护技术，创造出不含保护健康信息的医疗文本表示来训练医疗文本去识别化，达到了 97.4% 的 F1 得分。

    Jun, 2019

  • GPT-4 在医疗挑战问题上的能力

    通过对 USMLE 和 MultiMedQA 基准数据集的全面评估，我们发现不需要专门的提示造型来激发 GPT-4，它的表现超过了 USMLE 的合格分数约 20 分，并表现优于早期的通用模型（GPT-3.5）以及专门针对医学知识进行细化调整的模型（Med-PaLM，Flan-PaLM540B 的提示调整版本）。

    Mar, 2023

  • ChatGPT 应用于数字取证调查：益处、弊端与未知

    这篇论文评估了 ChatGPT（GPT-3.5、GPT-4）对数字取证领域的影响和潜在影响，重点关注最新的预训练 LLM GPT-4，通过一系列实验评估了它在包括文物理解、证据搜索、代码生成、异常检测、事件响应和教育等多个数字取证应用场景中的能力，并总结了它的优势和风险。综合而言，尽管 ChatGPT 在数字取证领域存在一些潜在的低风险应用，但很多应用目前不适用，因为需要将证据上传至服务端，或者需要对所询问的话题具有足够的知识以识别错误的假设、不准确性和错误。然而，对于合适的知识用户而言，在某些情况下，它可以作为一个有用的辅助工具。

    Jul, 2023

  • 一种易于使用且稳健的差分隐私临床文本去识别方法

    本研究提出了一种可靠的具有差分隐私技术的去识别名字实体的替换方法，使用此方法可以对法语临床文件进行去识别，并且具有扩展性和可靠性。

    Nov, 2022

  • ChatGPT 辅助的可解释零样本医学图像诊断框架

    该研究提出了一种基于 CLIP 和 ChatGPT 的零样本医学图像分类框架，使用大型语言模型自动生成额外的线索和知识以进行更准确和可解释的诊断，展示了 VLM 和 LLM 在医疗应用中的巨大潜力。

    Jul, 2023