LEAP: LLM instruction-example adaptive prompting framework for biomedical relation extraction.
LEAP: 生物醫學關係提取的LLM指導示例自適應提示框架。 J Am Med Inform Assoc 2024-06-21

研究探討了使用大型語言模型進行生物醫學關係提取，並引入了LEAP框架，包括自適應調整方法，提高性能。LEAP框架在不同LLM模型上優於傳統調整，在DDI、ChemProt和BioRED等數據集上表現出色。MedLLAMA_13B模型在ChemProt數據集達到95.13的F1分數。LEAP框架為增強生物醫學關係提取的LLM訓練策略提供了有前途的方法。 PubMed DOI

Relation extraction using large language models: a case study on acupuncture point locations.
使用大型語言模型的關係提取：針對針灸穴位位置的案例研究。 J Am Med Inform Assoc 2024-08-29

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

Empowering Graph Neural Network-Based Computational Drug Repositioning with Large Language Model-Inferred Knowledge Representation.
基於圖神經網絡的計算藥物重定位與大型語言模型推斷知識表示的賦能。 Interdiscip Sci 2024-09-26

這項研究探討如何利用大型語言模型（LLMs）來提升計算藥物重定位的能力，特別是預測藥物與疾病的關聯。傳統方法常受限於不完整的數據，而LLMs能提供豐富的生物醫學知識。研究人員開發了零樣本提示模板，並提出三種模型架構，結果顯示LLM-DDA<sub>GNN-AE</sub>在多項指標上表現優於其他模型。案例研究也證實了該模型在識別可靠藥物與疾病關聯方面的能力，顯示LLMs在藥物重定位及其他生物醫學任務中的潛力。 PubMed DOI

Optimized biomedical entity relation extraction method with data augmentation and classification using GPT-4 and Gemini.
使用 GPT-4 和 Gemini 的數據增強與分類優化生物醫學實體關係提取方法。 Database (Oxford) 2024-10-09

這篇論文探討了一種利用大型語言模型來增強生物醫學關係提取的方法，特別是Gemini和GPT-4。研究中使用GPT-4生成增強的訓練數據，並將這些數據與不同模型的輸出結合，透過集成學習提升預測準確性。此外，Gemini的回應也用來微調BioNLP-PubMed-Bert分類模型。結果顯示，在BioCreative VIII Track 01挑戰的評估數據集上，精確度、召回率和F1分數都有所提升。想了解更多，可以透過提供的網址查詢。 PubMed DOI

Joint extraction of entity and relation based on fine-tuning BERT for long biomedical literatures.
基於微調 BERT 進行長篇生物醫學文獻的實體與關係聯合提取。 Bioinform Adv 2024-12-24

實體與關係的聯合提取在資訊擷取中非常重要，尤其是在生物醫學文獻中。本文提出的模型有效解決了句內和句間的提取問題，對於長文本中的長距離依賴關係至關重要。模型結合了多種深度學習技術，如微調的BERT、圖卷積網絡、穩健學習及局部正則化條件隨機場，能準確識別生物醫學文本中的實體，並提取三元組關係。實驗結果顯示該模型在多個數據集上表現優異，促進了生物醫學知識圖譜的構建。相關代碼可在GitHub上獲取。 PubMed DOI

Effectiveness of Transformer-Based Large Language Models in Identifying Adverse Drug Reaction Relations from Unstructured Discharge Summaries in Singapore.
基於變壓器的大型語言模型在新加坡從非結構化出院摘要中識別不良藥物反應關係的有效性。 Drug Saf 2025-02-21

基於變壓器的語言模型在自然語言處理上有顯著進展，但在臨床環境中識別藥物不良事件的有效性受到非標準語言的挑戰。研究中，九個預訓練的模型在5,088對藥物-AE數據上微調，並在新加坡的去識別化出院摘要及MIMIC-III數據庫進行驗證。結果顯示，BioM-ELECTRA-Large-BiLSTM模型的F1分數比傳統機器學習提高了16.1%。透過應用規則精煉預測，假陽性減少，精確度提升。整體而言，這些模型在識別因果相關藥物-AE對方面表現優於傳統方法，但仍需額外規則以克服限制。 PubMed DOI

Prompts to Table: Specification and Iterative Refinement for Clinical Information Extraction with Large Language Models.
使用大型語言模型進行臨床信息提取的提示到表格：規範與迭代精煉。 medRxiv 2025-02-24

從自由文本醫療紀錄中提取結構化數據，特別是病理報告，面臨不少挑戰。傳統方法因醫療語言複雜而困難重重。這項研究開發了一個端到端的LLM管道，能有效提取病理報告中的診斷、解剖部位等元素。透過人機協作，我們將重大錯誤率降至0.99%。在3520份報告中，識別腎腫瘤亞型的F1分數達0.99，顯示LLM提取管道在良好指示下可達接近專家準確性，並可應用於其他臨床信息提取任務。 PubMed DOI

Prompting large language models to extract chemical‒disease relation precisely and comprehensively at the document level: an evaluation study.
在文件層面精確且全面地引導大型語言模型提取化學‒疾病關係：一項評估研究。 PLoS One 2025-04-08

這項研究探討大型語言模型（LLMs），如GPT-3.5、GPT-4.0和Claude-opus，在化學與疾病關係提取中的挑戰，特別是標註數據不足的情況。研究發現，這些模型在精確提取上達87%的F1分數，但全面提取僅73%。模型在提示工程上的改進有限，且對正向關係的識別較佳。提取錯誤多因模型誤解生物醫學文本的隱含意義。最後，研究提供了增強提取任務的工作流程，並強調優化訓練數據的重要性。 PubMed DOI

When East Meets West: Cross-domain Drug Interaction Annotations with Large Language Models and Bidirectional Neural Networks.
當東方遇見西方：結合大型語言模型與雙向神經網路的跨領域藥物交互作用註釋 IEEE J Biomed Health Inform 2025-04-22

TEmbed-DDI 是一種新方法，利用大型語言模型的嵌入技術，結合醫療情境資訊，提升藥物交互作用（DDI）註釋的準確度。它不只看分子結構，還用有意義的文本特徵，讓藥物表示更完整。這方法在西藥和中藥的測試都表現優異，也是首次把中藥納入 DDI 註釋，未來在醫學研究和新藥開發很有潛力。 PubMed DOI

Comparative Performance Evaluation of Large Language Models for Extracting Molecular Interactions and Pathway Knowledge.
大型語言模型於分子交互作用與途徑知識擷取之比較性效能評估 J Comput Biol 2025-05-19

這項研究發現，大型語言模型（LLMs）能自動從文本中擷取蛋白質交互等分子資料，表現比人工處理更有效率。雖然在部分基因細節上還有困難，但整體來說，LLMs有助於加速生物知識的發現與應用。 PubMed DOI

原始文章

站上相關主題文章列表