Health-LLM:通过可穿戴传感器数据进行健康预测的大型语言模型
该研究展示大型语言模型能够通过只有少量的微调,在医疗和健康领域中处理不易表达为文本的各种生理和行为时间序列数据,并对心脏信号分析、身体活动识别、代谢计算和压力报告估计等健康任务进行有意义的推理。
May, 2023
个人健康大型语言模型(PH-LLM)从时间序列个人健康数据中细化和调整,以理解和推理个人健康数据,并进行个性化的见解和推荐,同时使用多模式编码来预测自报告的睡眠质量结果。
Jun, 2024
该研究通过开发一种名为 HeLM 的框架,使多模态大型语言模型 (LLMs) 能够使用高维临床模态来估计潜在疾病风险,并且在使用英国生物银行的数据进行验证时,HeLM 能够有效地利用人口统计学、临床特征和高维时间序列数据来估计疾病风险。
Jul, 2023
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
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
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
大型语言模型在医疗保健领域的部署引发了热情和忧虑,本综述论文探讨了针对医疗保健应用设计的现有大型语言模型的功能,从传统的预训练语言模型到目前的医疗保健领域的大型语言模型发展轨迹,特别关注临床语言理解任务的潜力以及性能评估、挑战和限制。
Dec, 2023
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
我们在这项工作中,首次对多种大语言模型(LLMs)进行了全面评估,包括 Alpaca、Alpaca-LoRA 和 GPT-3.5,针对在线文本数据中的各种心理健康预测任务。我们进行了广泛的实验,涵盖了零样本提示、少样本提示和指令微调。研究结果表明,对于心理健康任务,LLMs 在零样本和少样本提示设计上具有有限但有希望的性能。更重要的是,我们的实验表明,指令微调可以显著提升 LLMs 在所有任务上的表现。我们最佳微调模型 Mental-Alpaca 在平衡精度上比 GPT-3.5(规模大 25 倍)高出 16.7%,并与最先进的任务特定模型相媲美。我们总结了一系列行动指南,供未来的研究人员、工程师和实践者参考,介绍如何赋予 LLMs 更好的心理健康领域知识,并成为心理健康预测任务的专家。
Jul, 2023
基于对 LLMs 在公共卫生任务中的自动评估,将六个外部注释数据集与七个新的内部注释数据集相结合,评估 LLMs 在处理与健康负担、流行病学危险因素和公共卫生干预相关的文本中的性能,发现 Llama-3-70B-Instruct 是性能最好的模型,在 15 个任务中取得最佳结果。这些初步结果表明,LLMs 可能成为公共卫生专家从各种免费文本来源中提取信息,并支持公共卫生监测、研究和干预的有用工具。
May, 2024