医疗文件中的医疗错误对患者安全构成重大风险。本文介绍了我们在三个子任务中均取得顶尖表现的方法，即错误检测、错误句子提取和生成纠正句子。我们利用外部医学问答数据集开发了一套基于检索的系统用于处理微妙错误的 MS 数据集，同时对于反映更真实的临床记录的 UW 数据集，我们创建了一个模块化流程来检测、定位和纠正错误。这两种方法都利用 DSPy 框架来优化大型语言模型程序中的提示和少样本示例。我们的结果表明，基于大型语言模型的程序对于医疗纠错非常有效，但是我们的方法在解决医疗文档中潜在错误的全面多样性方面存在局限性。我们讨论了我们工作的影响，并强调了未来研究方向，以提高医疗错误检测和纠正系统的鲁棒性和适用性。

Apr, 2024

评估大型语言模型在医疗错误识别和修正方面的能力，提出了多种提示策略来显著提高模型的修正能力，并讨论了错误句子位置、提示角色和选项位置对模型准确性的影响。该研究表明，尽管具有潜力，但是否准备好将大型语言模型应用于真实临床环境仍然需要进一步研究。

May, 2024

通过提取上下文相关的信息、构建监督学习框架和整合领域专业知识，本研究聚焦于提高医疗信息的准确性，并强调了人本主义策略在适应医疗人工智能中的重要性。

Apr, 2024

使用大型语言模型（LLM）进行提示和微调的两种方法以生成 EHRSQL 查询，结果表明这些方法在准确执行和可靠性方面都表现优秀，并且集成方法通过减少错误进一步提高了生成的可靠性。这些方法可应用于强调准确性和可靠性的特定领域的文本转 SQL 问题。

May, 2024

应用于临床领域的自然语言处理中，使用大型语言模型成为一种有前景的方法，用于在医疗笔记中进行错误检测和纠正，而这是一项缺乏注释数据的知识密集型任务。本文介绍了 MedReAct'N'MedReFlex，该系统利用四个基于 LLM 的医学代理。其中，MedReAct 代理通过观察、分析和采取行动，生成轨迹以指导搜索，从而定位潜在的错误。随后，MedEval 代理使用五个评估器评估目标错误和提出的修正方案。在 MedReAct 的行动不足以解决问题的情况下，MedReFlex 代理介入，进行反思分析并提出替代策略。最后，MedFinalParser 代理格式化最终输出，保留原始风格同时确保错误修正过程的完整性。我们方法的一个核心组成部分是基于 ClinicalCorp 语料库的 RAG 流水线。除了其他包含临床指南和信息的知名资源之外，我们对开源 MedWiki 临床数据集进行预处理和发布，用于临床 RAG 应用。我们的结果证明了我们的 RAG 方法及其通过 MedReAct'N'MedReFlex 框架的 ClinicalCorp 的核心作用，它在 MEDIQA-CORR 2024 最终排行榜上排名第九。

Apr, 2024

我们使用少样本上下文学习（ICL）方法以及链式思维（CoT）和大型语言模型（LLM）中的原因提示，来自动检测和纠正临床笔记中的医疗错误，并通过规则集成方法，在三个子任务中取得了第三、第三和第七名的成绩。

Jun, 2024

临床放射学报告中的错误更正方法研究，利用大型语言模型（LLMs）和检索增强生成（RAG）技术，通过内部和外部检索机制从报告和外部知识源中提取相关医学实体和关系，并引入三阶段推理过程，将任务分解成错误检测、定位和更正子任务，从而提高了系统的可解释性和性能，并通过由领域专家指导的对真实世界放射学报告进行真实错误损坏的基准数据集进行了评估，实验结果表明了所提方法的优势，通过内部和外部检索的结合显著提高了各种最先进的 LLMs 在错误检测、定位和更正方面的准确性，研究结果有助于为临床文档制定更健壮可靠的错误更正系统。

Jun, 2024

利用大型语言模型（LLMs）协助和纠正医生在医疗决策任务中的潜力进行探索，研究评估了几个 LLMs，包括 Meditron、Llama2 和 Mistral，以分析这些模型在不同场景下与医生有效互动的能力，并认为提示设计显著影响 LLMs 的下游准确性，LLMs 能够为医生提供有价值的反馈，挑战错误诊断，促进更准确的决策，同时还揭示了确保 LLM 生成的建议相关和有用的挑战，强调了进一步研究的需求。

Mar, 2024

我们提出了 SemEval 2024 任务 2 挑战的基线，其目标是确定临床试验报告部分和陈述之间的推理关系。我们应用语言模型作为服务（LMaaS）的 LLM Instruct 模型进行提示优化技术，并观察到合成 CoT 提示显著增强了手工制作的提示，与最近的研究结果一致。

May, 2024

使用模型编辑和上下文学习的综合检索策略，可以提高大型语言模型在医学问答方面的准确性，消除黑盒模型的挑战。

Sep, 2023