Apr, 2024

超越自我一致性：集成推理提升癌症分期中 LLMs 的一致性和准确性

PDF
TL;DR通过使用开放式临床大型语言模型从实际病理报告中确定病理癌症分期，我们提出了一种集成推理方法，以改善模型生成的一致性和性能，从而展示了在可靠性和可信度至关重要的临床或其他领域中使用这些模型的潜力。
发现论文，激发创造
  • 利用开源临床大型语言模型分类癌症分期

    通过使用开源临床大型语言模型（LLMs）和基于 BERT 的模型进行细化调整，本研究证明在没有标记训练数据的情况下，可以从真实世界的病理报告中提取病理肿瘤 - 淋巴结 - 转移（pTNM）分期信息。研究发现 LLMs 在肿瘤（T）分类方面仍然表现不佳，但通过适当的提示策略，它们可以达到与转移（M）分类相当的性能，并在淋巴结（N）分类方面表现出更好的性能。

    Apr, 2024

  • 大型语言模型可自我提升

    本文提出了一种方法，使用未标注的数据进行自我训练和推理提高，通过 fine-tuning 在多个任务上达到了 SOTA 水平。

    Oct, 2022

  • 大型语言模型是临床推理器：具备推理意识的诊断框架和提示生成的合理化

    借助基于提示的学习，通过 “推理感知” 的诊断框架实现了对临床推理进行理性化，并能够在时间和劳动资源上具有高效性，从而实现了对疾病诊断的临床推理。

    Dec, 2023

  • 乳腺癌肿瘤的大型语言模型流水线

    使用 Langchain 提示工程流程，Fine-tune 基于临床数据和临床指南文本语料库的先进 OpenAI 模型，实现了对乳腺癌患者的辅助放疗和化疗的高准确率（0.85+）分类。通过从人类肿瘤学家的观察数据建立信心区间，估计模型必须在治疗预测中超过原始肿瘤学家的比例为 8.2％至 13.3％。尽管肿瘤治疗决策结果的不确定性，但未来研究，可能是临床试验，需要确定这一阈值是否被模型满足。然而，因为 85％的美国癌症患者在本地社区设施接受治疗，这些模型在扩大获取质量护理的同时，最小程度上接近人类肿瘤学家将发挥重要作用。

    Jun, 2024

  • LogicLLM: 探索基于自监督逻辑增强训练的大型语言模型

    本篇论文主要介绍了如何通过自监督后训练和上下文学习来增加逻辑知识，从而提高语言模型的逻辑推理能力，取得了比现有基线更好的效果。

    May, 2023

  • RO-LLaMA：通过噪声增强和一致性正则化实现放射治疗的综合型医学语言模型

    近期人工智能在医疗领域有了显著进展，本研究提出 RO-LLaMA，一个通用的大型语言模型，特为放射肿瘤学领域量身定制，能够在临床报告总结、放疗方案建议等任务中表现出卓越的性能，并且通过 CEFTune 技术进一步提高了模型的鲁棒性，同时保持了处理干净输入的能力，还将此概念创造性地转化为 LLM 驱动的分割框架 CESEG。实验结果表明，RO-LLaMA 在多中心队列数据集上展现了出色的性能和泛化能力。

    Nov, 2023

  • 在非小细胞肺癌中应用大型语言模型进行因果结构学习

    应用大型语言模型 (LLMs) 对因果发现中边的方向性进行预测，我们研究表明，LLMs 可以准确地预测因果图中边的方向性，并优于现有的最先进方法，这一发现表明 LLMs 在推进因果发现并帮助我们更好地理解复杂系统方面具有重要作用。

    Nov, 2023

  • 通过概率推理实现逻辑一致的语言模型

    通过引入基于原则的概率推理训练目标，本研究改进了大型语言模型的逻辑一致性和新知识推理能力。

    Apr, 2024

  • IITK 参加 SemEval-2024 任务 2：探索 LLMs 在临床试验中安全生物医学自然语言推理方面的能力

    对大型语言模型在处理安全生物医学自然语言推理问题上的鲁棒性和一致性进行了研究，利用检索增强生成框架对预训练语言模型进行了比较分析，并在零样本设置下评估了它们的推理和解决问题能力。

    Apr, 2024

  • 通过辩论深入探究大型语言模型的内部一致性

    在人工智能的领域中，大型语言模型（LLMs）需求渐趋增长。本研究通过命题竞辩框架来探讨多个 LLMs 之间的持续性以及一致性问题，确立了公正比赛，失调比赛和圆桌比赛的三个阶段，并在多个常识推理数据集上进行了广泛的实验，从而提出了令人信服的解决方案

    May, 2023