Mar, 2024

探索癌症临床试验资格分类器在不同疾病间的泛化能力

PDF
TL;DR本研究旨在评估自然语言处理对临床试验中资格分类的通用性，结果表明在广泛的临床试验中，模型在处理非癌症试验方面表现出色，但对癌症试验中特定资格的处理相对较难，研究还尝试了少样本学习，证明了少量疾病特异性示例可以部分弥补性能差距，此外，研究提供了一个经过注释的资格陈述数据集，以促进临床试验分类的跨疾病通用性的发展。
发现论文，激发创造
  • 癌症临床试验资格标准的文本分类

    通过使用文本分类方法，我们研究了肿瘤试验中常见的七种排除标准，即先前恶性肿瘤、人免疫缺陷病毒、乙型肝炎、丙型肝炎、精神疾病、药物 / 物质滥用和自身免疫性疾病，结果显示自动分类常见排除标准的可行性，并展示了针对临床试验的预训练语言模型在所有标准上取得的最优性能。

    Sep, 2023

  • 利用深度神经网络在癌症临床试验中学习资格

    本文旨在构建一个自动预测短临床语句是否被视为纳入或排除标准的模型，为此我们使用癌症临床试验协议训练词嵌入，构建了一个标记为合格或不合格的 6M 短文本数据集，并使用深度神经网络对文字分类器进行训练，结果表明，利用深度神经网络的表示学习从临床试验协议中提取医学知识可为医师开方治疗提供帮助。同时，我们还能够识别出一种肿瘤的等效治疗方法。

    Mar, 2018

  • 电子病历上乳腺癌表型 NLP 算法跨院评估

    本研究通过乳腺癌表型提取任务，评估了基于 BERT 的临床自然语言处理模型在不同临床设置下的普适性。结果表明，CancerBERT 模型具有最佳的学习能力和普适性，并且模型的普适性与样本之间的相似度有关。

    Mar, 2023

  • 一种可扩展的临床试验队列优化的 AI 方法

    使用基于 Transformer 的自然语言处理的人工智能方法 (AICO)，通过真实数据评估入组标准，从大量相关临床试验中提取常见入组标准变量并测量临床试验设计的泛化性，解决了现有手动方法的可扩展性问题，并能快速模拟感兴趣疾病的入组标准设计。以乳腺癌试验设计为例，展示了该方法在改进临床试验泛化性方面的效用。

    Sep, 2021

  • 提高临床试验的患者招募效率：基于提示的学习模型应用

    应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

    Apr, 2024

  • 叶片临床试验语料库：用于从临床试验入选条件生成查询的新资源

    本研究介绍了 Leaf Clinical Trials（LCT）语料库，它是一个超过 1,000 个临床试验符合性标准描述的人工注释语料库，使用高度细分的结构化标签捕捉一系列生物医学现象。此外，我们还提出了基准信息提取结果，以供未来工作参考。

    Jul, 2022

  • 利用大型语言模型协助医生改善临床试验的患者预筛选

    使用 InstructGPT 帮助医生根据患者的医疗概况确定临床试验的资格，通过组合一次性、选择推论和思考链技术，将 LLM 应用于 10 个合成患者概况，并有医生参与辅助判断，可实现 1.0 的召回率和 0.71 的精确率。

    Apr, 2023

  • LeafAI: 临床队列发现的查询生成器，可与人类程序员媲美

    利用深度学习和基于规则的模块生成具有新颖逻辑推理能力的、数据模型非相关性和基于 UMLS（Unified Medical Language System）的数据库查询方法，以帮助临床研究中的受试者筛选。使用 LeafAI 系统的查询结果表明，与人类数据库程序员相比，其找到的适宜受试者占比更高。

    Apr, 2023

  • 癌症实体关联和分类的机器学习方法

    本研究使用自然语言处理中的实体识别和文本分类的两个主要函数来从生物医学文献中发现与癌症相关的信息，使用机器学习分类器来构建分类模型，并使用结构化查询语言来识别可能导致重要预测的隐藏关系。

    May, 2023

  • AutoTrial: 临床试验设计中的语言模型提示

    本文介绍了一种名为 AutoTrial 的方法，它使用语言模型帮助设计临床试验的甄别标准，可以在指令控制下进行可控生成，可以通过上下文学习进行可扩展的知识融合，提供明确的推理链以理解输出，通过人类评估与 GPT-3.5 基线获得了高质量的标准文本和 60％的胜率。

    May, 2023