大型语言模型与经典机器学习：在使用高维表格数据预测COVID-19死亡率中的表现

Sep, 2024

大型语言模型与经典机器学习：在使用高维表格数据预测COVID-19死亡率中的表现

Large Language Models versus Classical Machine Learning: Performance in COVID-19 Mortality Prediction Using High-Dimensional Tabular Data

HTML

PDF

Mohammadreza Ghaffarzadeh-Esfahani, Mahdi Ghaffarzadeh-Esfahani, Arian Salahi-Niri, Hossein Toreyhi, Zahra Atf...

TL;DR本研究旨在评估和比较经典机器学习模型与大型语言模型在预测COVID-19相关死亡率方面的表现，填补了这一领域的研究空白。研究表明，经典模型如XGBoost和随机森林在准确性上优于大型语言模型，但通过微调大型语言模型（如Mistral-7b），其预测能力显著提升，显示出潜在的应用前景。

Abstract

Background: This study aimed to evaluate and compare the performance of classical machine learning models (CMLs) and large language models (LLMs) in predicting mortality associated with →

发现论文，激发创造

condLSTM-Q: 一种新的深度学习模型，用于预测Covid-19在精细地理尺度上的死亡率

该研究提出了基于条件长短期记忆网络和分位数输出的预测模型(condLSTM-Q)，该模型在不同空间-时间尺度下能够准确预测COVID-19疫情的死亡人数。该模型的精细地理尺度可以帮助州级政府协调资源，同时其可扩展性和通用性也保证了其广泛适用性。

Nov, 2020

将临床实践指南纳入大型语言模型以提升临床决策支持

通过将临床实践指南（CPGs）融入大型语言模型（LLMs），可以显著提高临床决策支持（CDS）的效果，我们针对 COVID-19 门诊治疗展开的案例研究表明，LLMs与CPGs相结合相对于普通的LLMs与零提示（ZSP）提供了更准确的建议，并且还展示了更广泛应用的潜力。

Jan, 2024

大型语言模型与监督建模在乳腺癌病理分类中零样本推理的比较研究

通过对769份乳腺癌病理报告进行人工标注的数据集的研究，我们比较了GPT-4模型和GPT-3.5模型的零样本分类能力与三种模型架构的监督分类性能，发现GPT-4模型在所有13个任务中要么显著优于要么与最佳监督模型的LSTM-Att模型相当（平均宏F1得分为0.83 vs. 0.75）。研究还表明，如果难以使用大规模标注数据集，LLMs可以减轻数据标注的负担，但使用带有大规模标注数据集的简单监督模型也可以提供可比较的结果，LLMs可以加快临床自然语言处理研究的执行速度，提高NLP变量和结果在临床观察研究中的利用率。

Jan, 2024

术前護理中大型語言模型的適當劑量

术后风险预测对于有效的围手术期护理管理和规划具有重要意义。本研究旨在评估临床大型语言模型（LLMs）是否能够使用各种训练策略对临床文本进行术后风险预测。使用Barnes Jewish Hospital（BJH）系统2018年至2021年的84,875份记录进行主要队列研究，Beth Israel Deaconess的MIMIC数据集上再现了方法。预训练的LLMs优于传统的词嵌入，临床LLMs的进一步调整改进了性能，表明基础模型具有潜在的任务无关学习峰值，对于围手术期护理中LLMs的泛化具有潜力。

Feb, 2024

大模型总是更好吗？评估和提示大型语言模型在非生成性医学任务中的表现

本研究解决了大型语言模型（LLMs）在处理结构化电子健康记录和非结构化临床笔记时的有效性问题。通过基准测试不同模型，发现LLMs在结构化数据上的零-shot预测能力较强，但在非结构化文本任务中，微调的BERT模型表现更优。这一发现强调了根据任务要求和数据特征选择合适模型的重要性，以优化NLP技术在医疗领域的应用。

Jul, 2024

RT-Surv：利用大型语言模型构建大规模非结构化电子健康记录，提高放疗后死亡预测的准确性

本研究解决了传统放疗生存预测模型因依赖结构化数据而缺乏准确性的问题。通过使用大型语言模型对非结构化电子健康记录进行构建，研究发现该方法显著提高了生存预测的准确性，模型的C-index从0.737提高到0.820，展现了更好的可解释性和临床相关性。

Aug, 2024

利用大型语言模型预测肺癌患者预后

本研究解决了肺癌患者预后预测中数据不足的问题。我们评估了GPT-4o mini和GPT-3.5在肺癌预后预测中的潜力，并通过多个任务测试其性能。实验结果表明，LLMs在肺癌预后预测中表现出色，尤其在缺乏患者数据时，显示出其作为有效工具的潜力。

Aug, 2024

RT-Surv：利用大语言模型对大规模非结构化电子健康记录进行结构化以改善放疗后的死亡预测

本研究解决了传统生存预测模型在放疗中因数据结构不足而导致的精度问题。通过使用大型语言模型（LLM）对非结构化电子健康记录进行结构化，本研究显著提高了生存预测的准确性，相关指标的C-index从0.737提升至0.820，显示出在临床预测模型的准确性和可解释性上具有重要影响。

Aug, 2024

原始数据的胜利：大型语言模型嵌入在医疗机器学习应用中的数值数据表示是否有效？

本研究针对在医疗场景中，如何有效集成表格数值数据与大型语言模型（LLM）进行探讨，填补了该领域的研究空白。通过比较LLM的最后隐藏状态生成的向量表示和原始数值电子健康记录数据在传统机器学习算法中的表现，发现尽管原始数据仍具优势，LLM嵌入在医疗预测任务中同样具备竞争力，指向了未来研究的新方向。

Aug, 2024

利用大型语言模型进行传统中医学对抗COVID-19文献中的命名实体识别：比较研究

本研究解决了大型语言模型（LLMs）在传统中医学对COVID-19文献中进行命名实体识别（NER）的有效性问题。通过建立一个包含389篇文章的数据集，并手动注释48篇文章，研究比较了ChatGPT及其他先进模型在不同实体类型和领域中的表现。结果表明，尽管在模糊匹配中ChatGPT在多数任务上超过了基于BERT的模型，但在精确匹配中却表现不佳，提示LLMs在不同应用场景中的表现差异显著。

Aug, 2024