临床试验批准估计的语言交互网络
临床试验结果预测的多模态融合专家模型（LIFTED）通过将各种方式的数据转化为自然语言描述，再利用统一的噪声抵抗编码器提取信息，进一步利用稀疏的专家模型优化表示，通过动态集成不同方式的表示进行预测，有效提升临床试验结果预测性能。
Feb, 2024
研究使用大型语言模型（LLMs）协助患者和转诊医生从广泛的选择中筛选适合的临床试验，并评估了 TrialGPT 在 184 名患者和 18,238 个注释临床试验的实验结果，表明其高准确性和排名排除不合格候选试验的有效性。
Jul, 2023
提出 SemEval-2024 任务 2：用于临床试验的安全生物医学自然语言推理，旨在挑战大语言模型在干预和因果推理任务方面的能力，并提供方法和结果的全面评估，以促进医疗保健领域中自然语言推理模型的鲁棒性和适用性，确保在临床决策中更安全可靠的 AI 辅助。
Apr, 2024
为了优化临床试验的设计，我们提出了一种新的临床试验结果预测（CTRP）任务，并利用大规模非结构化结构的医学文献中的语句隐含地包含 PICO 和结果的证据，预训练模型在下游数据集上进行微调得到更好的表现，针对 COVID-19 的另一个数据集也验证了性能提升。
Oct, 2020
本篇论文介绍了一个新的 NLI4CT 资源，包括两个主要任务：确定自然语言陈述和 CTR 之间的推理关系以及检索支持事实以证明预测关系。该资源暴露了现有 NLI 模型的局限性，为 CTR 推理提供了基础，大大推进了 CTR 的个性化医疗领域的研究。
May, 2023
利用 TrialMind 等基于 LLMs 的人工智能模型，我们介绍了一种为进行医学系统评价而设计的生成型 AI 流水线。通过结合人类专家的监督，我们证明了 TrialMind 显著提高了文献综述的过程，并在从超过 2000 万篇 PubMed 文章中搜索研究、筛选研究和提取结果的过程中取得了优异的性能。结果还显示，与 GPT-4 基准相比，八位人类评估者更喜欢 TrialMind，其有效率提升了临床研究的效率。
Jun, 2024
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
该研究介绍了一个原型工具，结合多种可视化方式，帮助终端用户理解临床文本中提取出的信息，修正必要错误，形成反馈循环，支持 NLP 模型的优化。针对该工具进行的临床医生和研究人员的用户研究显示，用户可以快速开始修正 NLP 模型，尽管他们很少或没有机器学习经验。研究结果还提供了优化界面以支持结果审查工作流程和解释的建议。
Jul, 2017
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