Contextualized medication information extraction using Transformer-based deep learning architectures.
基於Transformer深度學習架構的藥物信息提取。 J Biomed Inform 2024-03-31

這個專案旨在開發一個處理自然語言的系統，目標是在2022年的n2c2挑戰中，提取藥物相關資訊和藥物變更的內容。團隊運用了先進的GatorTron變壓器模型，在大量臨床註釋上進行訓練，在藥物提取、事件分類和上下文分類等任務上表現優異。GatorTron模型優於其他變壓器模型，顯示了從臨床文本中提取藥物資訊的優勢。 PubMed DOI

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

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

Symptom-BERT: Enhancing Cancer Symptom Detection in EHR Clinical Notes.
在電子病歷臨床記錄中增強癌症症狀檢測的Symptom-BERT。 J Pain Symptom Manage 2024-05-24

這項研究使用了一個預先訓練的語言模型來檢測和提取臨床記錄中的癌症症狀，成功地在識別各種症狀方面達到了高準確度。這個模型的有效性突顯了對領域特定數據進行專門預訓練以增強醫學應用語言模型的潛力，特別是在改善癌症患者的症狀管理方面。 PubMed DOI

Leveraging GPT-4 for identifying cancer phenotypes in electronic health records: a performance comparison between GPT-4, GPT-3.5-turbo, Flan-T5, Llama-3-8B, and spaCy's rule-based and machine learning-based methods.
利用 GPT-4 在電子健康記錄中識別癌症表現：GPT-4、GPT-3.5-turbo、Flan-T5、Llama-3-8B，以及spaCy基於規則和機器學習方法的性能比較。 JAMIA Open 2024-07-04

研究使用OpenAI的GPT-4模型分析非小細胞肺癌患者的電子健康記錄，結果顯示GPT-4在識別疾病階段、治療和進展方面比其他模型表現更好。這表示GPT-4在臨床表現型提取上比基於規則的模型更有效率，具有更高的精確度、召回率和F1分數。GPT模型在醫療領域有著重要的應用價值，因為它們提供了更好的上下文理解和臨床表現型識別能力。 PubMed DOI

Automated Extraction of Patient-Centered Outcomes After Breast Cancer Treatment: An Open-Source Large Language Model-Based Toolkit.
乳癌治療後以病人為中心的結果自動提取：一個基於開源大型語言模型的工具包。 JCO Clin Cancer Inform 2024-08-21

以病人為中心的結果（PCOs）在癌症治療中非常重要，因為它們能反映病人的生活品質。然而，關於乳腺癌的發病率和生存率的數據，尤其是治療副作用和依從性影響的研究，通常僅限於小型研究或單一機構。為了解決這個問題，我們使用大型語言模型（LLMs）如GPT-2等，從梅奧診所、埃默里大學醫院和史丹佛大學的臨床筆記中提取PCOs。我們開發了一個開源框架，微調LLMs以提升PCO提取的準確性，結果顯示微調後的模型表現顯著優於未微調的模型。 PubMed DOI

Improving the Quality of Unstructured Cancer Data Using Large Language Models: A German Oncological Case Study.
利用大型語言模型改善非結構化癌症數據的質量：德國腫瘤學案例研究。 Stud Health Technol Inform 2024-08-23

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。 PubMed DOI

Leveraging Large Language Models for Precision Monitoring of Chemotherapy-Induced Toxicities: A Pilot Study with Expert Comparisons and Future Directions.
利用大型語言模型精確監測化療引起的毒性：與專家比較的初步研究及未來方向。 Cancers (Basel) 2024-08-29

大型語言模型（LLMs），如OpenAI的GPT系列，在醫學領域展現潛力，特別是在腫瘤學中。研究評估了LLM在分類化療引起的主觀毒性方面的能力，結果顯示LLM在一般毒性類別的準確率為85.7%，但在特定類別的準確率僅為64.6%。雖然LLM的表現與腫瘤科醫生相當，但特定類別的準確性仍需改進。未來研究應聚焦於真實病人的驗證及即時互動能力，並考量數據準確性和隱私等倫理問題。總體而言，LLMs有潛力提升病人護理質量與效率。 PubMed DOI

Developing large language models to detect adverse drug events in posts on x.
在 x 平台上開發大型語言模型以檢測不良藥物事件。 J Biopharm Stat 2024-09-20

不良藥物事件（ADEs）對住院率影響顯著，且與高發病率和死亡率相關。傳統的藥物安全監測依賴於不良事件報告系統，但社交媒體如X（前身為Twitter）提供了有價值的患者見解。本研究探討使用大型語言模型（LLMs）進行ADE分類，結果顯示RoBERTa-large模型表現最佳，F1指標達0.8，微調後的ChatGPT則為0.75。特徵分析顯示某些術語在識別ADE中至關重要，顯示LLMs在藥物安全監測中的潛力。 PubMed DOI

原始文章

站上相關主題文章列表