Empirical evaluation of language modeling to ascertain cancer outcomes from clinical text reports.
臨床文本報告中語言建模的實證評估，以確定癌症結果。 BMC Bioinformatics 2023-11-23

研究比較了不同NLP模型在擷取非小細胞肺癌患者影像報告中的癌症結果。結果顯示，DFCI-ImagingBERT表現最佳，但簡單模型也不錯。若資源有限，簡單機器學習模型仍可有效。 PubMed DOI

From Free-text Drug Labels to Structured Medication Terminology with BERT and GPT.
從自由文本藥物標籤到利用 BERT 和 GPT 創建結構化藥物術語。 AMIA Annu Symp Proc 2024-01-16

研究提出一種方法，從藥品標籤中提取藥物資訊，強化藥物術語。比較各種NER模型，找出最適合提取藥物資訊的模型。使用規則關係提取算法和藥物搜尋方法建立藥物知識圖，並與術語伺服器中的藥物匹配。結果顯示BERT-CRF模型在NER方面表現最佳，藥物搜尋方法匹配準確率達77%。建議將此模型應用為網路服務，改善醫療藥物管理。 PubMed DOI

Evaluating the ChatGPT family of models for biomedical reasoning and classification.
評估 ChatGPT 家族模型在生物醫學推理和分類中的應用。 J Am Med Inform Assoc 2024-04-05

研究探討了在生物醫學任務中使用大型語言模型（LLMs）如GPT-3.5和GPT-4的效果。結果顯示，對BioBERT進行微調效果最好，LLMs如CoT在效能上與BoW模型相當，但需要更多時間開發。儘管LLMs受歡迎，對BioBERT微調是最有效的策略。 PubMed DOI

Improving large language models for clinical named entity recognition via prompt engineering.
透過提示工程改善臨床命名實體識別的大型語言模型。 J Am Med Inform Assoc 2024-01-28

研究指出，GPT-3.5和GPT-4處理臨床數據時，只需少量訓練數據即可提取有價值資訊。透過改進提示策略，可增進模型在臨床命名實體識別任務表現，減少大量標註數據需求。雖GPT模型在臨床應用有潛力，仍需進一步改進。研究結果凸顯了量身定制的提示框架重要性，以提高大型語言模型在臨床環境性能。 PubMed DOI

Comparison of Prompt Engineering and Fine-Tuning Strategies in Large Language Models in the Classification of Clinical Notes.
大型語言模型在分類臨床記錄中，即時工程和微調策略的比較。 medRxiv 2024-02-26

研究發現，大型語言模型在醫療保健領域有潛力，尤其在識別轉移性癌症患者方面。GPT-4表現最佳，提示和推理步驟清晰簡潔效果更好。即使改變輸入標記，GPT-4仍保持高準確性。建議透過策略性提示設計，GPT-4或許可取代專門模型，提升醫療應用。 PubMed DOI

Advancing entity recognition in biomedicine via instruction tuning of large language models.
透過大型語言模型的指導調整，提升生物醫學實體識別。 Bioinformatics 2024-03-21

大型語言模型在處理自然語言方面有很大潛力，特別是在文本生成、推理和少樣本學習方面表現優秀。然而，在生物醫學領域的命名實體識別方面，LLMs效果不如專門調校的模型好。為了解決這問題，開發了一種新的基於指令的學習方法，創建了BioNER-LLaMA。測試結果顯示，BioNER-LLaMA在生物醫學NER任務中表現優於GPT-4，與專門模型相當。這種方法有潛力提升LLMs在生物醫學和健康領域的競爭力，值得進一步研究。 PubMed DOI

Ensemble pretrained language models to extract biomedical knowledge from literature.
從文獻中提取生物醫學知識的預訓練語言模型集成。 J Am Med Inform Assoc 2024-03-23

生物醫學文獻增加快速，需要自動識別生物醫學概念關係。LitCoin NLP挑戰評估這個潛力，提供語料庫。我們的自然語言處理系統採用集成學習和基於規則的方法，在命名實體識別和關係提取任務表現優異，勝過200多支隊伍。微調110億參數模型提升性能，並與OpenAI ChatGPT等大型語言模型進行測試，顯示在生物醫學任務中具有優勢。結果凸顯特定模型對生物醫學研究的重要性。 PubMed DOI

Comparison of Prompt Engineering and Fine-Tuning Strategies in Large Language Models in the Classification of Clinical Notes.
比較大型語言模型中即時工程和微調策略在臨床記錄分類中的效果。 AMIA Jt Summits Transl Sci Proc 2024-06-03

研究評估大型語言模型在醫療保健領域的應用，尤其是在辨識轉移性癌症患者方面。比較了GPT-3.5 Turbo、GPT-4、Llama-7B和BERT模型，結果顯示GPT-4表現最佳，提升了提示和推理步驟。建議透過適當的提示工程，GPT-4可取代專門模型，並提供臨床使用的機會。 PubMed DOI

Comparing a Large Language Model with Previous Deep Learning Models on Named Entity Recognition of Adverse Drug Events.
比較大型語言模型與先前深度學習模型在不良藥物事件命名實體識別上的表現。 Stud Health Technol Inform 2024-08-23

這項研究比較了微調深度學習模型（基於PubMed摘要）與大型語言模型（ChatGPT-3.5）在不良藥物事件命名實體識別（NER）的表現。結果顯示，Hussain等人的微調模型達到97.6%的F1分數，遠高於ChatGPT-3.5的86.0%。雖然少量學習在數據有限時仍具實用性，但無法超越深度學習模型的表現。未來將探討使用GPT-4的少量提示及微調GPT-3.5的可能性。 PubMed DOI

Zero-shot evaluation of ChatGPT for food named-entity recognition and linking.
ChatGPT 在食品命名實體識別和連結的零-shot 評估。 Front Nutr 2024-09-18

這段文字探討了從文本中識別和提取關鍵資訊的重要性，特別是在食品領域，對營養師和醫生很有幫助。文中提到命名實體識別（NER）和命名實體連結（NEL）的角色。大型語言模型（如ChatGPT）為這些任務提供了新機會。作者評估了ChatGPT-3.5和ChatGPT-4在食品數據的NER和NEL表現，並比較它們在生物醫學領域的能力。結果顯示，ChatGPT在NER上表現不錯，但在實體連結的有效性上則較低。作者提醒，雖然ChatGPT有潛力，但在食品和生物醫學的關鍵決策上不應過度依賴。 PubMed DOI

原始文章

站上相關主題文章列表