Feb, 2024

健康 - LLM: 个性化检索增强疾病预测模型

PDF
TL;DR我们提出了一个名为 Heath-LLM 的创新框架，它结合了大规模特征提取和医学知识权衡评分，与传统的健康管理方法相比，具有三个主要优势，它将健康报告整合到一个大模型中以提供详细的任务信息，使用专业的医学专业知识来调整健康特征的加权得分，并使用半自动特征提取框架来增强语言模型的分析能力，并结合专家见解来提高疾病预测的准确性。我们对大量的健康报告进行了疾病预测实验，结果表明所提出的方法超过了传统方法，并有潜力革命性地改变疾病预测和个性化健康管理。
artificial intelligenceintelligent healthcarehealth management methodsfeature extractiondisease prediction
发现论文，激发创造
  • 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

  • AI 医院：交互评估和合作使用 LLM 作为实习医生进行临床诊断

    大型语言模型（LLMs）在医疗保健领域的应用具有重要意义，为了充分利用其交互潜力，本文提出了 AI Hospital 框架，用于构建实时互动诊断环境，并通过多视角医学评估（MVME）基准和协作机制来验证其可行性和有效性。

    Feb, 2024

  • 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

  • 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

    该研究探讨了大规模语言模型在多模态健康预测中的应用，通过上下文信息和生理数据进行综合评估，并展示了 fine-tuned 模型在健康预测任务中的表现和对上下文增强策略的有效性。

    Jan, 2024

  • 基于 LLMs 的电子病历的小样本疾病预测：结合预测代理推理和关键代理指导的新方法

    使用大型语言模型，本研究探索将结构化的患者就诊数据（例如诊断、实验室和处方）转化为自然语言叙述的可行性，并提出了一种利用不同角色的语言模型代理（预测者代理和评论者代理）的新方法。结果表明，相比传统的监督学习方法，在基于电子健康记录的疾病预测中，使用该方法的大型语言模型能够实现相当不错的少样本性能，暗示其在健康相关应用中的潜力。

    Mar, 2024

  • 基于个体特定数据的健康多模态 LLM

    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

  • 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

  • LLM on FHIR -- 卫生记录的解密

    通过开发基于大型语言模型和快速医疗互操作性资源的人工智能解决方案，提高多样化患者群体的健康素养和医疗信息可及性，通过开放接口让用户与其健康记录进行互动，评估其对于患者健康素养的有效性，并指出了不同患者个体的适应性差异与人工智能应用中存在的挑战，表明了对于患者护理中语言模型的集成的可行性和风险，未来的方向包括资源识别机制和在设备上执行语言模型以提高隐私和降低成本。

    Jan, 2024

  • 大语言模型与用户信任：聚焦于医疗保健

    论文探讨了临床医师对 LLMs 的信任与数据来源从人生成为 AI 生成内容的演变关系，并随之对 LLMs 的准确性和临床医师能力的影响。关注的其中一个主要问题是随着 LLMs 对其输出越来越依赖于学习，可能导致输出质量的降低和临床医师技能的减弱，因为与基本诊断过程的接触减少。虽然目前处于理论阶段，但这种反馈循环对于深入整合 LLMs 于医疗保健领域提出了重大挑战，强调了积极对话和战略措施以确保 LLM 技术的安全有效使用的必要性。此外，我们深入探讨了 LLMs 自我参考学习循环和医疗保健专业人员能力下降的潜在风险。LLMs 在回音室内运行的风险，其中 AI 生成的内容反馈到学习算法中，威胁到数据池的多样性和质量，可能固化偏见并降低 LLMs 的效力。同时，对 LLMs 在常规或关键任务方面的依赖可能导致医疗保健提供者的诊断和思考能力下降，特别影响未来专业人员的培训和发展。

    Mar, 2024

  • 医学中的大型语言模型综述

    在这篇论文中，我们回顾了大型语言模型（LLMs）的发展，重点关注医学 LLMs 的需求和应用。我们提供了现有模型的简要概述，旨在探索进一步的研究方向并使其对未来医学应用产生益处。我们强调了医学 LLMs 在应用中的优势，以及其发展过程中遇到的挑战。最后，我们提出了技术整合的方向来减轻挑战，并为医学 LLMs 的未来研究方向提供了建议，旨在更好地满足医学领域的需求。

    May, 2024