RxBERT是在BERT基礎上訓練的模型，應用在FDA藥物標籤文件，提升了藥物資訊分析效能。在各種任務中表現優異，勝過其他自然語言處理模型，有助於提升藥物安全審查和監管決策效果。RxBERT能協助研究人員和FDA審查員更有效地利用藥物標籤數據，促進公共衛生進步。這研究凸顯了專業監管文件訓練語言模型的重要性。 PubMed DOI

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

NLP在生物醫學領域取得進展，比較了多個詞嵌入模型，包括ELMo、BERT、BioBERT和GPT。研究顯示BioBERT在生物醫學文本表現最佳，臨床BioBERT在臨床註釋中表現卓越。這對生物醫學和臨床文件分析的研究人員和從業者有實質價值。 PubMed DOI

研究目標是開發NLP方法和資料集，辨識RCT出版物中的自我承認限制。團隊建立了限制類型資料模型，標記了200份RCT出版物，透過微調BERT模型識別限制句子。他們嘗試運用資料擴增技術處理小資料庫問題。最佳模型在辨識限制句和類型方面有顯著進展，這自動化方法有助提高研究透明度，支持臨床試驗文獻的證據綜合。 PubMed DOI

研究目標是開發文本分類模型，用來判斷隨機對照試驗報告是否符合 CONSORT 指南。研究者使用標註資料訓練模型，比較了不同方法後發現，微調 PubMedBERT 模型效果最好。數據擴增對模型有正面影響，尤其是使用 UMLS-EDA 效果較好。針對不同部分的特定模型，如方法部分，表現有所提升。總結來說，微調的 PubMedBERT 模型表現不錯，但仍有改進的空間，可提升期刊編輯工作流程及手稿品質。 PubMed DOI

SEETrials是一個自動系統，專門從腫瘤臨床試驗中提取安全性和有效性資訊，精確度高。已在不同癌症類型上評估，表現優異。對多發性骨髓瘤新療法的分析顯示出有效性和安全性的差異。SEETrials展現了準確的資料提取和在各種癌症領域的多功能性，有助於快速有效地分享臨床見解。 PubMed DOI

這項研究致力於開發一個針對傳統中醫的語言模型，旨在提升臨床推理能力，如診斷和處方建議。研究人員創建了三個重要數據集，並開發了Lingdan預訓練模型及兩個專門模型，分別用於症狀分析和草藥處方建議。這些模型在中醫知識回答和處方建議上表現優異，Lingdan-PR的F1-score比最佳基準提高了18.39%。這項研究顯示了人工智慧在改善醫療決策中的潛力，相關資料可在 https://github.com/TCMAI-BJTU/LingdanLLM 獲得。 PubMed DOI

這項研究探討了大型語言模型（LLMs），如GPT-3.5、GPT-4和Llama，在提取針灸穴位位置關係的有效性，特別是使用世界衛生組織的標準作為數據集。研究標註了五種穴位關係，並根據精確度、召回率和F1分數評估模型表現。結果顯示，微調後的GPT-3.5表現最佳，達到最高微平均F1分數0.92，顯示針灸領域的微調對關係提取的重要性。研究建議LLMs可增強針灸的臨床決策支持及教育資源，推進傳統醫學的資訊學發展。 PubMed DOI

這項研究專注於從非結構化的臨床筆記中提取與腫瘤學相關的結構化資訊，特別是癌症藥物與症狀負擔的關係。研究人員建立了名為CACER的資料集，包含超過48,000個醫療問題和藥物事件的詳細註解。經過微調的BERT和Llama3模型在事件提取上表現最佳，F1分數分別為88.2和88.0，而GPT-4在這些任務中的表現最差。這顯示微調模型在特定任務上更有效，CACER資料庫為未來的醫療資訊提取研究提供了重要資源。 PubMed DOI

這項研究旨在提升隨機對照試驗（RCT）出版物的報告品質，透過開發文本分類模型來檢視對CONSORT檢查表的遵循情況。研究使用了標註37個CONSORT項目的語料庫，訓練了多種模型，包括微調的PubMedBERT和BioGPT。主要發現顯示，微調的PubMedBERT模型在句子層級的微F1分數達0.71，文章層級為0.90。數據增強的影響有限，且針對方法的模型表現較佳。整體而言，這些模型能有效支持期刊編輯，改善RCT出版物的遵循情況。 PubMed DOI