Oct, 2023

利用领域特定的大型语言模型进行比较研究：基于生成式 AI 模型的健康差异

PDF
TL;DR利用大型语言模型和领域特定的 SciBERT 对健康差异进行研究，发现它们在提供医疗服务、改善健康沟通和减少健康差距方面具有潜力，但在数据多样性、隐私问题和医疗服务提供者与技术专家之间的合作等方面存在挑战。
health disparitiesartificial intelligencelarge language modelsscibertgenerative ai
发现论文，激发创造
  • 重新定义大型语言模型在数字健康界面中的应用

    数字卫生工具与大型语言模型（LLMs）结合可在临床环境中提供新颖的接口，增强数字医疗工具的实用性和实际影响，解决了使用 LLMs 时出现的问题，如幻觉，从而提高心血管疾病和糖尿病风险预测的效果。

    Oct, 2023

  • 医疗大语言模型综述：从数据、技术和应用到问责与伦理

    大型语言模型在医疗领域的利用引发了劲头和担忧，本文概述了目前开发的大型语言模型在医疗保健方面的能力，并阐明它们的发展过程，旨在提供从传统预训练语言模型（PLMs）到大型语言模型（LLMs）的发展路线图的概览。总的来说，我们认为正在进行一次重大的范式转变，从 PLMs 过渡到 LLMs，这包括从辨别式人工智能方法向生成式人工智能方法的转变，以及从以模型为中心的方法论向以数据为中心的方法论的转变。

    Oct, 2023

  • 分析医疗多样性的 LLM 研究：科学计量学视角

    大规模语言模型在医疗保健领域的部署展示了提升临床决策、行政效率和患者成果的巨大潜力。然而，这些模型在开发和应用中存在多样性群体的代表不足，会导致不公平的医疗保健服务。本文通过对 2021 年 1 月 1 日至 2024 年 6 月 16 日期间的 PubMed 和 Dimensions 的元数据进行分析，包括作者机构、国家和资金来源，评估了在医疗保健领域的 LLM 研究的多样性。我们的发现强调了性别和地理差异的重要性，男性作者占主导地位，贡献主要来自高收入国家 (HICs)。我们引入了基于基尼不纯度的新颖期刊多样性指数来衡量科学出版物的包容性。我们的研究结果强调了加强代表性的必要性，以确保在医疗保健中公平应用 LLMs。我们提出了行动策略来增强人工智能研究的多样性和包容性，以实现更具包容性和公平性的医疗创新未来。

    Jun, 2024

  • 大型语言模型阐明人工医疗助理的进展路径：综述

    通过综述大型语言模型在医学领域中的应用和意义，揭示了它们在知识检索、研究支持、临床工作流自动化和诊断辅助等方面的效用，并探索了多模态语言模型以及自动化代理在医疗保健中的发展潜力。然而，为了有效地将这些模型整合到临床实践中，需要不断优化和进行伦理监管。

    Nov, 2023

  • 一个揭示大型语言模型中健康公平伤害和偏见的工具箱

    用人工评估框架和数据集设计方法，对大型语言模型中的偏见进行评估，以实现促进公平可及的医疗保健的共同目标。

    Mar, 2024

  • 借助大型语言模型提升患者互动：数字健康中的对话人工智能的力量

    通过四个案例研究展示了大型语言模型在医疗保健中的应用，包括分析 Reddit 上的心理健康讨论、为老年人进行认知参与开发个性化聊天机器人、总结医疗对话数据集和设计 AI 助力病患参与系统。同时讨论了在医疗保健环境中引入大型语言模型的道德考虑、最佳实践和指南。

    Jun, 2024

  • 通过大型语言模型理解心理健康的评估

    评估大型语言模型在理解人类心理健康状况表达方面的潜力，结果显示，基于 Transformer 的模型（如 BERT 和 XLNet）在 DAIC-WOZ 数据集上表现优于大型语言模型。

    Jan, 2024

  • 医疗人工智能中的泛化性能评估

    利用临床数据训练的大型语言模型在医疗保健领域提供了优化患者护理、临床决策和工作流程的新机会，然而其潜力主要取决于其在不同临床环境和患者群体中有效泛化的能力，这是一个常常被低估的挑战。本研究评估了一种在 [HOSPITAL] 的临床病历上训练的语言模型的性能，并发现其在少样本的医院、政府和未指定保险的患者、老年人以及多重共病者中的泛化能力较差。通过统计和分类分析，我们发现样本大小、患者年龄、共病程度和病历内容的字数都与泛化能力相关。最后，我们比较了三种方法以提高泛化能力：本地微调（针对特定医院）、实例化增强微调、和基于聚类的微调。结果表明，本地微调是最有效的方法，可以使 AUC 提高 0.25% 到 11.74%（在数据有限的情况下效果最好）。总体来说，本研究为在医疗保健这一重要领域部署大型语言模型提供了新的见解，并改进了它们在更广泛人群中的性能。

    Feb, 2024

  • 利用大型语言模型揭示和缓解心理健康分析中的偏见

    大型语言模型的进展展示了在各个应用领域的强大能力，包括心理健康分析。然而，现有的研究着重于预测性能，对公平性这一关键问题的探讨不足，给弱势人群带来了重大风险。我们通过针对八个不同的心理健康数据集，使用十种不同的提示方法，系统地评估了七个社会因素的偏见。结果表明，GPT-4 在性能和公平性方面实现了最佳的平衡，尽管在某些情况下仍落后于领域特定模型如 MentalRoBERTa。此外，我们针对公平性进行调整的提示方法可以有效减轻在心理健康预测中的偏见，凸显了在该领域进行公平分析的巨大潜力。

    Jun, 2024

  • 利用大型语言模型增强健康数据互操作性：一项 FHIR 研究

    通过研究使用大型语言模型（LLM）来增强医疗数据互操作性的能力，我们发现 LLM 可以将临床文本转化为相应的 FHIR 资源。通过对 3,671 段临床文本进行实验，我们证明 LLM 不仅简化了多步骤的自然语言处理和人工校准过程，而且在与人类标注相比较时，在准确匹配方面达到了超过 90% 的异常准确率。

    Sep, 2023