Jan, 2024

基于检索增强生成的问答型电子健康记录摘要

HTML
PDF
TL;DR电子健康记录的总结可以极大地减少患者和医务人员的“屏幕时间”。近年来，通过使用最先进的神经模型，电子健康记录的总结已经采用了机器学习流程。然而，这些模型产生了不够令人满意的结果，这要归因于很难获取足够的注释数据进行训练。此外，考虑到电子健康记录的整个内容在总结中的要求，由于现代大型语言模型（LLMs）中的注意机制增加了二次复杂度，导致性能较差。我们在此提出了一种方法，通过结合语义搜索、检索增强生成（RAG）和使用最新的LLMs的问答方法来减轻这些缺点。在我们的方法中，总结是根据专业学科专家（SMEs）认为的重要问题的答案的提取。我们的方法非常高效；几乎不需要训练；不会受到LLMs的“幻觉”问题的困扰；而且可以确保多样性，因为总结中不会有重复的内容，而是针对特定问题的多样答案。
发现论文，激发创造
  • 消费者健康问题答案的问题驱动摘要

    本研究提供了一个包含消费者健康问题答案的问答驱动摘要集 MEDIQA Answer Summarization dataset，可用于评估抽取式或抽象式算法生成的单个或多个文档，展示了基线和最新深度学习总结模型的结果，并推动医学问题回答中的机器学习研究。

    May, 2020

  • 面向消费者健康问题摘要的问题感知变压器模型

    本文研究针对真实世界的消费者健康问题的抽象总结任务，开发了一个抽象问题总结模型，利用医疗实体的语义识别，借此提高了问题聚焦的涵盖范围和生成信息摘要的能力。同时，我们还将问题类型信息融入到解码器的输入中，实现了问题类型驱动的摘要生成，并在MeQSum基准语料库上进行了评估，该框架超过了最先进方法10.2 ROUGE-L分，并进行手动评估以评估所生成的摘要的正确性。

    Jun, 2021

  • 医学问题理解和回答：基于知识基础和语义自我监督

    通过知识引导和语义自监督方法，引入了一个医疗问题理解和回答系统，该系统可以对较长、详细和非正式措辞的患者提出的问题（称为“消费者健康问题”）进行处理。

    Sep, 2022

  • 基于实体驱动对比学习的医学问题总结

    该论文提出了一种基于实体驱动对比学习（ECL）的医学问题总结框架，以更准确地理解消费者意图和检索合适的答案，同时解决了数据泄露问题和正确捕捉语义意图的挑战。

    Apr, 2023

  • 用于医学教育中大规模非结构化文本数据的检索增强生成和代表性向量摘要化

    本文讨论了检索增强生成模型在医学教育领域的应用，并提出了一种使用代表向量对大规模非结构化文本数据进行抽取和生成式摘要的方法。

    Aug, 2023

  • 大型语言模型中的检索增强生成的开发与测试--一份案例研究报告

    大型语言模型（LLMs）在医疗应用中具有重要潜力，而检索增强生成（RAG）被认为是一种有前景的方法来定制LLMs中的领域知识。该研究通过开发和评估一个专门针对医疗保健领域、特别关注术前医学的LLM-RAG流程，验证了其可行性。

    Jan, 2024

  • 医学领域检索增强生成的基准测试

    通过在医学问答数据集上的大规模实验，我们提出了一种基于检索增强生成的评估框架MIRAGE，以改善大型语言模型在医学领域中的表现，并通过引入MedRAG工具包提高了六个不同语言模型的准确性，最高可达到18%，将GPT-3.5和Mixtral的性能提升至GPT-4级别。

    Feb, 2024

  • 利用电子健康记录的流行病学问题回答中的检索辅助文本转SQL生成

    引入一种基于文本到SQL生成和检索增强生成（RAG）的端到端方法，利用电子健康记录和索赔数据回答流行病学问题，研究表明该方法显著提高了性能，对提高语言模型能力有应用前景。

    Mar, 2024

  • 低资源医疗问答应用的两层信息检索增强生成框架：基于Reddit数据的概念验证

    检索增强生成(RAG)通过提供相关的上下文文本，可以约束生成模型的输出，并减轻产生虚假信息的可能性。我们提出了一个双层RAG框架用于查询焦点答案生成，并在社交媒体论坛中对此框架的概念验证进行评估，重点是从新兴的与药物相关信息中生成查询焦点摘要。评估结果表明，在资源受限的环境中，双层框架能够帮助研究人员从用户那里获取几乎实时的数据。

    May, 2024

  • 通过迭代跟进问题改进医学中的检索增强生成

    本研究解决了大型语言模型在复杂医学问题中检索增强生成（RAG）能力不足的问题。我们提出了医学迭代RAG（i-MedRAG），能够基于先前的信息获取逐步提出后续问题，从而改善医学问答性能。实验结果表明，i-MedRAG在回答复杂医学问题上优于传统RAG，尤其在零-shot设置下在MedQA数据集上实现了69.68%的准确率。

    Aug, 2024