LLM 相關三個月內文章 / 第 41 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

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

這個專案開發了一個網路自然語言處理工具，幫助使用者理解西班牙語的同意書和臨床試驗公告。工具基於一個包含14,465個技術術語和70,547個來自可靠資料庫的詞彙庫。團隊從60個CTAs、CFs和病人資訊文件中提取實體，並利用ChatGPT定義新術語，經專家驗證後發現28.99%的定義需修正。測試結果顯示，嚴格匹配F1分數為82.91%，放鬆匹配為94.65%。這個工具可在線訪問，網址是：http://claramed.csic.es/demo。 相關文章 PubMed DOI