开发生物和医学 ChatGPT:生物医学问答的完整概述
本研究评估了使用 ChatGPT 回答医学问题的可靠性,结果发现 ChatGPT 的答案更加上下文相关,代表着较好的演绎推理模型。ChatGPT 等语言学习模型可以成为 e-learners 的宝贵工具,但研究表明还有提高其准确性的空间。
Jun, 2023
该研究综述了语言模型在医学成像领域中的应用,重点介绍了不同应用,如图像字幕、报告生成、报告分类、查找提取、视觉问答、可解释性诊断等,并探讨了语言模型在医学影像分析中的潜在优点,包括提高临床工作流程效率、降低诊断错误、协助医疗保健专业人员提供及时准确的诊断。
Apr, 2023
通过在医学学科上对小型语言模型进行微调和使用 GPT-4 生成类似下游任务的问题进行微调,我们提出了一种方法来提高医学领域中小型语言模型的熟练度。此外,我们还引入了包含相关问题序列的 “渐进问题” 的 ECN-QA,以展示我们的训练策略的好处。
May, 2024
该研究调查了大型语言模型在生物医学和健康领域中的多种应用,包括生物医学信息检索、问答、文本摘要、信息提取和医学教育等,并研究了 LLM 是否具有革新这些任务的能力,发现 LLMs 在生物医学文献生成方面已取得了显著进展,但在其他方面,其进展并不太大。虽然大型语言模型在生物医学与健康领域应用的潜力巨大,但其使用也存在某些风险和挑战,例如可疑生成的信息以及涉及敏感病人数据的法律和隐私问题。
Jun, 2023
使用 GPT-3 模型进行医疗问题回答(MedQA)存在挑战和风险,分析表明 LLMs 对高风险的查询无法适当回应,生成错误的医疗信息、不安全的建议和可能被视为冒犯的内容。
Aug, 2023
研究了大型语言模型在生物医学任务中的性能,并与更简单的模型进行了比较,特别地,探讨了分类和因果关系检测任务。发现精细调整后的模型依然是最佳策略,而简单的词袋模型的表现与最复杂的大型语言模型的表现相当。
Apr, 2023
本文旨在评估 ChatGPT 在生物医学领域中各种基准任务(如关系提取、文档分类、问答和摘要)的性能,在拥有较小训练集的生物医学数据集中,zero-shot ChatGPT 甚至优于最先进的经调优生成变换器模型(如 BioGPT 和 BioBART),这表明 ChatGPT 在生物医学领域也非常专业,具备成为缺乏大型注释数据的各种生物医学任务的有价值工具的潜力。
Jun, 2023
2023 年,将大型语言模型(LLM)聊天机器人 ChatGPT 应用于各个领域迎来了显著增长;我们调查了 ChatGPT 在生物信息学和生物医学信息学领域的各个部门中的应用情况,涵盖了组学、遗传学、生物医学文本挖掘、药物发现、生物医学图像理解、生物信息学编程和生物信息学教育;我们总结了这个聊天机器人在生物信息学领域的当前优势和局限,并提供了未来发展的潜力方向。
Mar, 2024
本文提出一种嵌入医疗领域知识和启用 Few-shot Learning 的方法,以迎合需要广泛的领域专业知识和语义知识(如医疗保健)的领域的需求。利用一种简单但有效的检索方法,本文高效提取医学背景知识以引导 ChatGPT 的推理和寻答的逻辑。我们的知识增强模型在 CNMLE-2022 上取得了高分 70,且不仅能够通过 CNMLE 考试但是还超越了人类的平均分数(61),这证明了知识增强 ChatGPT 作为多功能医疗助手的潜力,能够以更易于使用和适应的方式分析现实世界的医学问题。
May, 2023
我们对最先进的多模态大型语言模型 GPT-4V 在视觉问答任务中的能力进行了关键评估,实验充分评估了 GPT-4V 在使用包括 11 种模态(如显微镜、皮肤镜、X 射线、CT 等)和十五种感兴趣的对象(如脑、肝脏、肺等)的病理学和放射学数据集中回答带有图像的问题的能力。我们的数据集涵盖了广泛的医学问题和十六种不同的问题类型。通过准确度评分的实验结果表明,目前的 GPT-4V 版本在应对诊断性医学问题方面的准确性不可靠且次优。此外,我们详细描述了 GPT-4V 在医学视觉问答中的七个独特特征,突出了其在这个复杂领域中的局限性。我们评估案例的完整细节可在此 https URL 上找到。
Oct, 2023