- 开发生物和医学 ChatGPT:生物医学问答的完整概述
通过自然语言处理和多模态范式,ChatGPT 探索了医学诊断、治疗建议和其他医疗支持的问题回答的战略蓝图,在医学领域数据的逐渐整合下,这些技术加快了医学领域问题回答的进展,通过连接人类自然语言与医学领域知识或专家手动注释的空白,处理了医学环 - 准确的预测模型导致有害的自我实现预言
使用预测模型做医学决策可能导致有害结果,即使部署后这些模型的预测能力良好,我们需要改变用于医学决策的预测模型的验证、部署和评估过程。
- 运用 ChatGPT 进行主题分析:我们准备好了吗?
ChatGPT 在医学研究中的应用及其在主题分析的三个核心阶段(直接编码、生成主题和预处理引用)以及生成访谈记录的潜力的探索,优势和局限的评估,以提高主题分析的效率和提供更多定性数据洞察。
- 智能数据提取器:加速并改善临床试验期间的数据收集的临床医师友好解决方案
在医学研究中,我们提出一种半自动化系统,能够提取各种类型的数据,包括记录,从而通过遵循规则为诊所研究表格提供预填功能。我们进行了一项交叉测试实验,比较了半自动化和手动数据收集。对于 79 名患者,需要收集 20 个目标项目。手动数据收集一个 - 赋能临床医生与民主化数据科学:大型语言模型自动化临床研究的机器学习
chatGPT Code Interpreter (CI) 通过自主开发 ML 模型来预测临床结果并在医学研究和实践中推广广泛应用,从而弥合机器学习开发者和临床实践者之间的知识鸿沟。
- 可穿戴设备数据的生成模型
通过开发一个多任务自注意模型,我们可以合成真实的可穿戴活动数据,并通过定量和定性方法来检验其与真实样本的相似性,从而解决医疗研究中的数据稀缺问题。
- 超越已知现实:利用反事实解释进行医学研究
该研究采用反事实解释方法探索医学研究的 “假设场景”,特别关注利用 MRI 特征诊断儿科后颅窝脑肿瘤,并探索反事实的潜在用途并评估其作为医疗研究中的替代方法的可行性和前景。
- EasyNER:针对医学文本的可定制化、易于使用的基于深度学习和词典的命名实体识别管线
研究人员利用自动化文本挖掘技术,设计了一种针对医学研究文章关键词自动识别及网络提取的全流程解决方案,可在大规模的 PubMed 和 CORD-19 数据库上快速检索有关 COVID-19 和其他医学研究的相关实体,并生成实体列表及图表。
- 用于生物医学因果图构建的大型语言模型
本文提出一种利用 EMR 病历笔记来实现因果关系分析的机器学习方法,通过应用大型语言模型(LLMs)来解决医学研究中因果图构建的难题。
- 医学研究中的基于代理的建模。健康经济学案例
该研究介绍了代理模型技术在医学研究中的应用,包括利用演化模型观察病人(虚拟或真实)的发展并通过变动不同的参数来探究场景,以及虚拟病人生成技术和执行模型的示例,同时讨论了这些模型的优缺点和应避免的陷阱;最后,还介绍了该技术在医疗经济学中的应用 - 协作任务隐私的神经网络权重联合学习
CoLN 是一种新颖的安全方法,用于合并机器学习模型,并维持数据隐私,同时保证在保护数据隐私的前提下提高模型的准确性,特别适用于医疗领域等隐私敏感领域。
- AAAI深度伪造技术在医疗视频去识别化中的应用:隐私保护与诊断信息保留
本研究提出使用 Deepfake 技术的人脸交换方法,达到视频的去识别化,以保护医疗数据的隐私。同时,通过对帕金森症患者视觉影像的实验,证明了人脸交换方法对身体关键点检测的影响较小,能够有效保护身体关键点数据的准确性。该方法方案可促进医学数 - 可解释人工智能(XAI)综述:面向医疗 XAI
这篇论文概述了解释机器学习算法决策的不同方法,并将它们应用到医学研究中,以提高医生对这些算法的信任度。
- 信息串联中的信息扭曲
通过对医学研究论文中信息传播的模拟与研究,发现迭代式摘要具有虚假扭曲的负面影响,而在迭代摘要过程中产生高质量摘要可以减少信息失真。此外,该研究还发现提取式摘要比生成式摘要更少受语义失真的影响。
- 差分隐私和机器学习:调查和评论
本文讨论了机器学习和差分隐私之间的相互作用,即隐私保护机器学习算法和基于学习的数据发布机制,探讨了可以通过差分隐私进行学习的内容以及差分隐私算法的损失函数上限。同时提出了一些开放性问题,包括如何整合公共数据,如何处理私人数据集中的缺失数据, - ICML具有部分观测属性的有效学习
本文提出了一种高效的线性预测算法,用于从样本中仅看到少数属性的情况下学习,通过医学研究和数字识别数据的实验证明其精度高。
- 使用倾向分数方法估算市场干预的因果效应
介绍了倾向性评分法作为评估干预措施因果效应的中心工具,并讨论了它在医学研究、流行病学和市场干预等领域的应用。同时,指出在评估市场干预方面,传统的统计工具可能会产生明显的偏差,而倾向性评分法是评估因果效应的更优方法。