Jul, 2023

验证零样本学习自然语言处理工具在非结构化医疗数据中的数据抽取功能

PDF
TL;DR通过开智的 GPT-3.5 模型开发和比较，使用向量化和扫描格式处理 PDF 文档中的非结构化文本，从而实现了零样本学习自然语言处理工具，该工具在数据抽取速度上优于人类抽取者，并在准确性上与人类抽取者相当，具有高度通用性。
发现论文，激发创造
  • 临床文本自然语言处理的交互工具

    该研究介绍了一个原型工具，结合多种可视化方式，帮助终端用户理解临床文本中提取出的信息，修正必要错误，形成反馈循环，支持 NLP 模型的优化。针对该工具进行的临床医生和研究人员的用户研究显示，用户可以快速开始修正 NLP 模型，尽管他们很少或没有机器学习经验。研究结果还提供了优化界面以支持结果审查工作流程和解释的建议。

    Jul, 2017

  • 临床数据仓库中自然语言处理算法的开发和验证，用于匿名化文件

    本研究的目标是解决临床报告去识别化的问题，以允许访问数据以进行研究，同时确保患者隐私。作者通过使用深度学习模型和手动规则，对临床文件进行伪匿名化，取得了 0.99 的 F1 评分，并分享了相关代码和指南。

    Mar, 2023

  • 使用大语言模型自动筛选临床评审论文

    通过比较 OpenAI GPT API 对临床评论文章标题和摘要的筛选效果和两位独立人工审核的效果，我们发现使用 OpenAI GPT API 可以显著提高临床评论的筛选效率和准确性。

    May, 2023

  • HealthPrompt: 临床自然语言处理的零样本学习范式

    本研究提出了一种基于最新的技术，即零样本学习和提示学习，开发了一种名为 HealthPrompt 的新型基于提示的临床自然语言处理 (NLP) 框架，通过在无数据环境下进行了六个不同的预训练语言模型 (PLM) 的实验，证明了提示能够有效地捕捉临床文本的上下文，并且可以在没有任何训练数据的情况下取得显著的表现。

    Mar, 2022

  • 使用语言模型预训练的医疗命名实体识别模型

    本文介绍了一种从非结构化电子医疗记录中提取结构化信息的方法，该方法通过自然语言处理技术和网络注释工具的组合应用，优化了使用少量训练数据训练的定制命名实体识别模型的性能，并展示了该技术与现有方法相比的优势。研究结果表明，在仅使用 50% 的训练数据的情况下，我们的方法训练的模型的 F1 得分可达到 0.734，而当前流行的方法训练的不带语言模型组件的 spaCy 模型的 F1 得分为 0.704。

    Oct, 2019

  • 零标签语言学习的探索

    该文章探讨了零标签学习在自然语言处理中的应用，介绍了基于预训练语言模型的一种新方法 Unsupervised Data Generation，能够生成高质量的训练数据，无需人工标注。该方法使得用不带标签的数据训练具体任务的模型成为可能，并且当与带标签的数据混合使用时，能实现高效的数据增强，并达到了 SuperGLUE 基准测试的新最优结果。

    Sep, 2021

  • 通过自然语言处理进行计算机工作市场分析

    利用自然语言处理技术从职位描述中提取相关信息，包括解决训练数据的稀缺性、标注指南的缺乏以及从职位广告中提取有效信息的不足等挑战，最终通过引入抽取方法和多个数据集相辅相成的检索增强模型来提高整体性能，并将提取到的信息置于特定分类体系中。

    Apr, 2024

  • 大型语言模型是少样本临床信息提取器

    本文研究了如何使用大型语言模型在缺乏公共医疗语料库和注释的情况下，零和少样本学习从临床文本中提取信息，包括跨度识别、令牌级序列分类和关系提取。通过引入新的 CAS 数据集并进行手动再注释，GPT-3 系统在这些任务上明显优于现有的零和少样本基线。

    May, 2022

  • 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

  • 皮肤科人工智能中零样本概念生成的数据对齐

    人类语义相关且医学领域精确的元标签在皮肤病学中的 AI 分类模型培训中十分稀缺，CLIP 模型可通过利用互联网上的大量图像 - 标题对进行零样本学习以解决数据缺乏的问题，并可以通过使用领域特定的图像 - 标题对对其进行微调来提高分类性能。

    Apr, 2024