医疗转诊文档理解
使用大型语言模型(Flan-T5 XXL)从非结构化电子健康记录(EHR)数据中检索和总结与特定查询相关的论据,较传统信息检索方法更受放射科医生欢迎,但面临 LLMs 产生虚构证据的挑战。然而,模型的信心可能指示 LLMs 是否存在虚构,为解决此问题提供了潜在方法。
Sep, 2023
人工智能在医疗保健领域的应用具有革命性,特别是在基于变压器的大型语言模型 (LLM) 的最新进展方面。本文研究了将符号推理与语言建模相结合,以改进对非结构化临床文本的理解的能力。我们展示了这种组合方式提高了从非结构化记录中提取多个医学变量的效果。此外,我们还展示了无广告商业免费 LLM 的检索能力与商业 LLM 相媲美。最后,我们阐述了通过符号推理对 LLM 进行引导的必要性,因为仅仅使用 LLM 会导致性能最低。
Aug, 2023
通过解决长期等待次名单和提供相关团队推荐,基于大型语言模型的端到端入食方法有助于缩短患者延迟时间和改善三级分类决策,适用于精神医疗保健。
Mar, 2024
我们提出了 GraphLayoutLM 模型,它利用布局结构图的建模将文档布局知识注入模型,使得模型能够理解文本元素的空间排列,以提高文档的理解能力,并在 FUNSD、XFUND 和 CORD 等基准测试中取得了最先进的结果。
Aug, 2023
利用传统的基于词典的自然语言处理工具与大型语言模型相结合的新型混合方法,提高了从非结构化临床记录中识别罕见疾病的能力,并显示了从临床记录中识别病患的潜力。
May, 2024
通过设计新算法提高 PDF 文档的临床内容分析性能,包括文本分类和信息抽取等多个步骤,并在使用医学样例数据进行检验后,成功在临床使用案例中提高了医学概念的信息抽取效率。
May, 2023
本文提出了一种方法,旨在通过集成先验知识和先前训练的语言模型来辅助实现从外部来源获取信息和检索正确文件的目标,在两个生物医学领域的数据集上的实验表明,该方法显著提高了文档重新排序任务的效果。
May, 2023
我们提出了一个基于 Transformer 的诊断辅助模型,可以以统一的方式处理多模态输入,该模型在辨别肺部疾病方面表现出了比仅使用图像模型和非统一多模态诊断模型更高的识别率,并在 COVID-19 患者的不良临床预后方面表现出了更高的预测能力。
Jun, 2023
该研究介绍了一种自动评估框架,评估了大型语言模型作为虚拟医生在多轮咨询中的实际能力,通过重构来自美国医疗执照考试的医学多项选择题,提出了一个基准测试集,并开发了综合评估指标。研究结果表明,使用培训集对大型语言模型进行微调,可以减轻幻觉并提高其在所提出基准上的性能。
Sep, 2023
本文综述了关于扫描文档中形式理解的研究工作,深入探讨了最近在该领域的进展和突破,强调了语言模型和转换器在解决这一具有挑战性的任务中的重要性。通过对过去十年的流行文档和形式理解趋势进行深入分析,我们能够提供宝贵洞察力,阐述这一领域的演化。我们重点介绍了前沿模型,展示了转换器如何推动该领域前进,革新形式理解技术。我们的探索包括对最先进的语言模型进行广泛研究,这些模型旨在有效应对嘈杂扫描文档的复杂性。此外,我们还概述了最新和最相关的数据集,这些数据集是评估所选模型性能的重要基准。通过比较和对比这些模型的能力,我们旨在为研究人员和实践者在选择最合适的解决方案方面提供有用的指导。
Mar, 2024