大型语言模型中的临床数据生成的两个方向：数据到标签和标签到数据

EMNLPDec, 2023

大型语言模型中的临床数据生成的两个方向：数据到标签和标签到数据

Two Directions for Clinical Data Generation with Large Language Models: Data-to-Label and Label-to-Data

Rumeng Li, Xun Wang, Hong Yu

TL;DR通过利用大规模语言模型生成合成的临床数据，我们研究了其在检测阿尔茨海默病相关迹象和症状方面的潜力，证明了大规模语言模型能够提高系统性能并生成不泄露敏感信息的数据集。

Abstract

large language models (LLMs) can generate natural language texts for various domains and tasks, but their potential for clinical text mining, a domain with scarce, sensitive, and imbalanced medical data, is under

large language models clinical text mining alzheimer's disease electronic health records synthetic clinical data

发现论文，激发创造

利用大型语言模型基于电子健康记录预测阿尔茨海默病的增强风险

通过利用语言模型为风险预测增添强大的能力，结合传统监督学习方法和大语言模型的决策机制，本研究提出的创新流程通过实际的电子健康记录数据仓库的评估表明有效地提高了预测性能，为改善 ADRD 筛查和早期检测实践带来了希望，并对患者管理策略产生潜在影响，进而改善医疗保健。

May, 2024

知识注入引导：基于大型语言模型的临床文本数据生成评估与推进

通过结合临床领域特定知识图谱和大语言模型，在临床自然语言处理中提出了一种创新、资源高效的方法 ClinGen，通过临床知识提取和上下文信息化的大语言模型指导数据生成，持续提升性能，对生成训练实例的多样性和真实数据分布进行有效调整。

Nov, 2023

面向专家级临床笔记生成的开源大型语言模型的适应性

在本研究中，我们展示了一个小型开源语言模型（LLMs）可以有效地从门诊患者 - 医生对话中生成高质量的临床笔记，通过包括持续预训练、监督微调和强化学习在内的综合的领域和任务特定的自适应过程。我们通过增强方法 DistillDirect，以 Gemini Pro 作为教师模型，在策略上进行了强化学习。我们的研究证明了训练较小、开源的 LLMs 以辅助临床文档编写的潜力和可行性，充分利用医疗机构对患者记录和领域专业知识的访问。

Apr, 2024

从分类到临床洞见：用大型语言模型分析和推理移动和行为健康数据

使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

Nov, 2023

大型语言模型利用多模态数据改善阿尔茨海默氏病诊断

本研究采用预训练的大型语言模型以加强对患者非图像化数据的利用，取得了 ADNI 数据集方面的最佳结果。

May, 2023

基于检索增强生成的大型语言模型在零样本疾病表型分类中的应用

通过使用零射击的基于大型语言模型的方法，结合检索增强生成和 MapReduce 技术，我们在肺动脉高压领域展示了一种有效识别疾病的方法，该方法在诊断中明显优于医生逻辑规则（F1 分数为 0.62 比 0.75），从而有望增强罕见疾病群体的识别和推动临床研究以及关注空缺的发现。

Dec, 2023

利用大型语言模型生成合成数据以提高基于 BERT 的神经网络的性能

利用大型语言模型（LLMs）生成的合成观察数据，用于改善机器学习模型对于自闭症谱系障碍（ASD）诊断的准确性。通过评估 ChatGPT 和 GPT-Premium 生成的 4,200 个合成观察数据，并使用预训练于生物医学文献的 BERT 分类器比较模型之间的性能差异，发现数据增加了召回率 13%，但降低了精确度 16%。未来的研究将分析不同合成数据特征对机器学习结果的影响。

May, 2024

提升大型语言模型的数据生成能力

本文提出了一种统一的数据创建流程，只需一个格式示例，适用于包括传统上问题较多的任务在内的广泛范围，通过实验证明使用指令跟随型大型语言模型创建的数据比使用人工标注的数据在分布外评估上表现更好（高达 17.5%），同时在分布内任务上保持可比较的性能，这些结果对于在现实世界中部署的自然语言处理系统的稳健性具有重要意义。

Oct, 2023

利用语言模型进行临床风险预测：益处与考虑因素

利用语言模型（LMs）来代表结构化电子健康记录（EHRs），例如诊断历史，可以在各种风险预测任务中提高性能，同时具有少样本学习、处理未知医学概念和适应各种医学词汇等优势，但在使用这些模型时需要谨慎

Nov, 2023

朝着可解释的风险预测减少诊断误差

使用 LLMs 方法识别患者电子健康记录中表明特定诊断风险增加或减少的证据，以提高证据获取并减少诊断错误。通过神经附加模型在临床医生不确定时点进行预测，具有个体化的风险估计，旨在减少诊断延误和因不完整鉴别引起的错误。使用 LLMs 推断细粒度的过去真实诊断标签，确保输入文本在自信诊断之前。通过模型学习的相关性，从初始证据集中筛选出更精确的证据，通过模拟临床医生在预定义鉴别诊断列表中选择来详细评估我们方法的实用性。

Feb, 2024