LLM 相關三個月內文章 / 第 112 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

這篇論文探討流行病學和臨床癌症登記在改善腫瘤醫療及研究中的重要性，特別是在癌症影響日益擴大的情況下。文中指出醫療數據的多樣性帶來挑戰，使得腫瘤手動記錄變得困難。研究提出利用大型語言模型（LLMs）將非結構化醫療報告轉換為德國基本腫瘤數據集所需的結構化格式。結果顯示，將LLMs整合進醫院數據管理或癌症登記系統，能顯著提升癌症數據的質量與完整性，對於有效的診斷、治療及療效評估至關重要。這項研究為人工智慧在醫療數據處理及癌症護理中的潛力提供了新的見解。 相關文章 PubMed DOI

這項研究探討基於Transformer的命名實體識別（NER）模型，特別是標記級別與實體級別評估的差異。研究使用合成法語腫瘤報告數據集，對四個BERT模型進行微調，並評估其在兩個級別的表現。結果顯示，從標記級別轉向實體級別時，模型表現有明顯差異，強調了NER任務中評估方法的重要性。此外，雖然BERT模型表現不錯，但ChatGPT在識別法語複雜實體方面仍有挑戰。 相關文章 PubMed DOI

這項研究探討如何透過檢索增強生成（RAG）來提升從PubMed資料庫獲取醫療資訊的效果。研究將RAG與大型語言模型結合，旨在提高醫療專業人員獲得資訊的準確性和相關性。使用1,000個查詢的標記數據集進行評估，結果顯示在答案的相關性上有不錯的表現，但也指出在基礎性和上下文相關性方面仍需改進。 相關文章 PubMed DOI

這項研究提出了一種新方法，利用MIMIC-IV出院記錄來創建機器生成的醫學指令數據集，目的是微調專注於醫學的語言模型。研究團隊開發了包含指令和格式化為JSONL的出院記錄的大型文本數據集，經過三個關鍵階段的處理，最終得到51,385組有效數據，平均ROUGE分數為0.185。評估顯示，GPT-3.5的有效性率達88.0%，接近人類標註者的88.5%。這項研究顯示了自動化創建醫學自然語言處理數據集的潛力。 相關文章 PubMed DOI

生成式大型語言模型（LLMs）在醫療領域的應用日益增多，但目前缺乏針對法語醫療LLMs的評估框架。為此，我們開發了一個包含114個開放性問題的基準，旨在評估法語LLMs的醫療能力，並反映臨床情境的複雜性。初步測試七個擁有70億參數的流行LLMs，發現它們的性能差異顯著，顯示在醫療環境中實施LLMs前需進行徹底評估。我們的基準可作為快速評估法語醫療LLMs的資源，促進問責與標準化，提升其可信度與有效性。 相關文章 PubMed DOI

這項研究的目的是評估大型語言模型（LLM）在理解和推理關鍵醫療事件方面的能力，特別是拔管（extubation）。研究人員專注於LLM對表格數據的理解及識別變數重要性的能力。此外，研究還探討了將LLM與現有機器學習模型（如XGBoost）結合使用的潛力，以提升醫療決策的能力。 相關文章 PubMed DOI

您的研究強調了全面評估大型語言模型（LLMs）的重要性，透過結合多個任務和多樣化的評估者來達成。您對四個LLM在八個不同任務上的表現進行評估，並邀請了17位來自不同領域的評估者，這樣的做法讓我們對LLM的性能有更深入的了解。這種方法不僅展示了模型的能力，還突顯了任務和評估者的多樣性如何影響結果，可能提供對LLM熟練度的更細緻見解，並幫助識別其在不同情境下的優劣。 相關文章 PubMed DOI

在希臘進行的研究探討了AI應用程式ChatGPT 4.0在193位不同醫療專科醫生中的實用性與滿意度。參與者與專為其部門設計的聊天機器人互動，並用1到5分評分。結果顯示，普通外科和心臟科醫生的滿意度較低（2.73到2.80），而生物病理學和骨科醫生則較高（4.00到4.46）。這反映出不同專科的需求差異，並指出改善的空間。儘管有些限制，ChatGPT 4.0仍顯示出在醫療領域的潛力，未來有望進一步整合與發展。 相關文章 PubMed DOI

最近大型語言模型（LLMs）在醫療領域的應用引起了廣泛關注，特別是在理解兒童情感方面。本文介紹了一個新框架，結合YOLOv7進行物體檢測和GPT-3.5 Turbo語言模型解讀兒童的藝術表達。透過分析藝術治療圖像，YOLOv7能識別物體，而GPT-3.5則解釋草圖所傳達的情感。實驗結果顯示該框架在物體檢測和情感解釋上表現優異，為父母和治療師提供了寶貴的見解，幫助他們更好地支持兒童。 相關文章 PubMed DOI

系統性回顧和統合分析是循證醫學的重要步驟，對於制定指導方針至關重要。這些過程雖然能夠有效總結研究知識，但因為耗時且勞動密集，更新不易，可能會影響其相關性。為了解決這個問題，我們提出一個框架，利用大型語言模型和自然語言處理技術，來提升系統性回顧的效率，特別是在診斷測試準確性方面。這個框架能自動化篩選階段，減少時間和資源的需求，同時保持回顧的質量，讓系統性回顧能更快回應新證據，提升臨床實用性。 相關文章 PubMed DOI