A comparative study of zero-shot inference with large language models and supervised modeling in breast cancer pathology classification.
大型語言模型與監督建模在乳腺癌病理分類中零樣本推論的比較研究。 Res Sq 2024-03-04

研究比較了GPT-4等大型語言模型和傳統監督式模型在臨床註記中提取資訊的表現。結果顯示，對於標籤不平衡的任務，大型語言模型可能比監督式模型更有效。雖然大型語言模型減少了標註數據的需求，但監督式模型搭配詳細標註仍能提供相當結果。使用大型語言模型可加速臨床自然語言處理研究，減少對精心策劃數據集的需求，潛在增進臨床研究中自然語言處理變數的應用。 PubMed DOI

Local large language models for privacy-preserving accelerated review of historic echocardiogram reports.
本地大型語言模型用於隱私保護加速審查歷史心臟超聲報告。 J Am Med Inform Assoc 2024-04-30

研究利用大型語言模型協助臨床醫生問心臟超聲心動圖報告，提升對複雜心臟病患見解，增進患者護理效率。研究收集西奈山醫療體系10年數據，每患者有10份報告。LLM模型LLaMA-2 70B回答問題準確率達90%，尤其在嚴重程度評估和診斷檢索表現較佳。研究顯示使用LLM解釋心臟超聲心動圖數據有效，比傳統搜索更佳，提高臨床決策和研究效率。 PubMed DOI

Revolutionizing Cardiology with Words: Unveiling the Impact of Large Language Models in Medical Science Writing.
以文字革新心臟病學：揭示大型語言模型在醫學科學寫作中的影響。 Can J Cardiol 2024-06-01

大型語言模型（LLMs）是現代機器學習工具，可解讀非結構化文本並做預測。已普及應用，初期用於生成標題、總結文本等，現已擴展至臨床和學術領域。在醫學中，LLMs可解釋複雜概念、改進臨床決策，但仍有限制，如生成錯誤內容、缺乏原創性。人類監督對於使用LLMs至關重要，解決挑戰可最大化好處並降低風險。文章探討LLMs功能、限制，尤其對心臟病學的影響，展示其轉型潛力和技術限制。 PubMed DOI

Maximizing Large Language Model Utility in Cardiovascular Care: A Practical Guide.
在心血管護理中最大化大型語言模型的效用：實用指南。 Can J Cardiol 2024-06-02

這篇文章討論了大型語言模型（LLMs）如何簡化醫學資訊、改善醫患溝通、自動摘要文章、分析數據，強化心血管護理和研究。探討了LLMs在醫學上的應用、限制和挑戰，提供心血管專業人員實用指南。也思考了LLMs對心血管護理和研究的未來影響。 PubMed DOI

Enhancing Clinical Data Extraction from Pathology Reports: A Comparative Analysis of Large Language Models.
從病理報告中增強臨床數據提取：大型語言模型的比較分析。 Stud Health Technol Inform 2024-08-23

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 PubMed DOI

Exploring Offline Large Language Models for Clinical Information Extraction: A Study of Renal Histopathological Reports of Lupus Nephritis Patients.
探索離線大型語言模型在臨床資訊提取中的應用：系統性紅斑狼瘡腎炎患者腎臟組織病理報告的研究。 Stud Health Technol Inform 2024-08-23

這項研究探討了使用開源、輕量級的生成大型語言模型（LLMs）來從腎臟病理報告中提取臨床資訊，特別針對狼瘡性腎炎。研究開發了一個標註架構並生成黃金標準數據集，評估了三個輕量級LLM的表現。結果顯示，Mistral和BioMistral的表現優於Llama 2，Mistral在腎小球亞型的F1分數達到0.996，免疫標記值的F1分數為0.898。這些結果顯示輕量級LLM在臨床資訊提取中的潛力，提供了資源密集型模型的可行替代方案。 PubMed DOI

Optimizing Data Extraction: Harnessing RAG and LLMs for German Medical Documents.
優化數據提取：利用 RAG 和 LLMs 處理德國醫療文件。 Stud Health Technol Inform 2024-08-23

這項研究針對將非結構化醫療文本轉換為結構化格式的挑戰，提出了一個自動化的本地流程，確保使用開源大型語言模型（LLMs）時能維護數據隱私。研究針對包含敏感健康資訊的德語醫療文件進行測試，結果顯示在800份非結構化醫療報告中，數據提取的準確率高達90%，表現優於醫生和醫學生的手動提取。這顯示該流程能有效提升數據可用性，同時保障隱私。 PubMed DOI

Viability of Open Large Language Models for Clinical Documentation in German Health Care: Real-World Model Evaluation Study.
開放大型語言模型在德國醫療保健臨床文檔中的可行性：實際模型評估研究。 JMIR Med Inform 2024-08-28

這項研究探討了如何在有限計算資源下，利用非專有的大型語言模型（LLMs）協助醫療專業人員撰寫德語醫療文本。研究團隊訓練了四個擁有70億參數的模型，並與商業模型Claude-v2進行比較。結果顯示，BLOOM-CLP-German模型在自動評估中表現最佳，且在專家評估中，有93.1%的生成報告被認為可用，僅需少量修改。這顯示即使資源有限，仍能生成適合臨床的醫療文檔，強調選擇非英語模型時需考慮目標語言的重要性。 PubMed DOI

Generative Large Language Models in Electronic Health Records for Patient Care Since 2023: A Systematic Review.
2023年以來生成大型語言模型在電子健康紀錄中的病患照護：系統性回顧。 medRxiv 2024-09-04

這項研究系統性回顧了生成性大型語言模型（LLMs）在臨床環境，特別是電子健康紀錄（EHRs）的應用。儘管自然語言處理技術進步，LLMs在臨床實踐中的整合仍有限，面臨多重挑戰。研究分析了自2023年以來的76篇相關文獻，發現包括提示工程的使用、少數多模態數據的應用、評估指標的多樣性，以及臨床決策中的偏見和幻覺等問題。未來需改進計算技術和標準化評估，以提升LLMs在醫療中的可靠性。總之，LLMs在病人護理上有潛力，但仍需克服重大障礙。 PubMed DOI

Privacy-preserving large language models for structured medical information retrieval.
隱私保護的大型語言模型在結構化醫療信息檢索中的應用。 NPJ Digit Med 2024-09-20

這項研究介紹了一個開源流程，利用本地的大型語言模型（LLM）"Llama 2" 從臨床文本中提取定量數據，專注於識別失代償性肝硬化的特徵。研究在MIMIC IV數據集中測試500名患者的病歷，成功識別五個關鍵臨床特徵，敏感度達100%，特異度96%。此外，對其他病症的檢測也相當高，顯示出本地部署的LLM在提取臨床信息方面的有效性，且硬體需求低。 PubMed DOI

原始文章

站上相關主題文章列表