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

Optimal Large Language Model Characteristics to Balance Accuracy and Energy Use for Sustainable Medical Applications.
平衡準確性與能源使用以實現可持續醫療應用的最佳大型語言模型特徵。 Radiology 2024-08-27

這項研究探討大型語言模型（LLMs）在醫療應用中的準確性與能耗之間的平衡，特別分析了Meta的Llama 2和LMSYS Org的Vicuna 1.5。研究使用印第安納大學的胸部X光影像資料庫，發現Vicuna 1.5在效率和準確率上表現優於Llama 2。Llama 2的70B模型能耗是7B版本的七倍，但準確率卻較低，效率比僅22.30。結論指出，較小且經過微調的LLMs在醫療應用中更具可持續性，強調選擇模型的重要性，需平衡性能與環境影響。 PubMed DOI

Benchmarking Large Language Models in Evidence-Based Medicine.
基於證據的醫學中大型語言模型的基準測試。 IEEE J Biomed Health Inform 2024-10-22

這項研究探討如何將大型語言模型（LLMs）整合進證據基礎醫學（EBM），以自動化任務如證據檢索和傳播，來提升臨床決策。研究比較了七個LLMs的表現，結果顯示這些模型在理解和總結方面表現優異，知識引導的提示也顯著提升了效果。不過，在命名實體識別和事實準確性上仍面臨挑戰，需要進一步研究和質量控制才能應用於臨床。研究結果和代碼已在GitHub上公開。 PubMed DOI

Developing healthcare language model embedding spaces.
發展醫療保健語言模型嵌入空間。 Artif Intell Med 2024-11-05

這項研究探討了在醫療保健領域應用預訓練大型語言模型（LLMs）的挑戰，特別是資源有限的情況下。研究開發了三種專門的預訓練方法，包括傳統的遮蔽語言模型、深度對比學習，以及結合醫療元數據的創新方法。結果顯示，對比訓練的模型在分類任務中表現最佳，雖然基於元數據的方法未提升分類性能，但在嵌入集群可分性上有趣的結果。整體而言，這項研究強調了專門預訓練方法在醫療保健自然語言處理中的潛力，並解決了數據隱私和資源限制的問題。 PubMed DOI

A strategy for cost-effective large language model use at health system-scale.
在健康系統規模上有效利用大型語言模型的成本策略。 NPJ Digit Med 2024-11-18

這項研究探討大型語言模型（LLMs）在優化醫療工作流程的應用，特別是面對經濟和計算挑戰。研究人員使用真實病患數據，評估了十種不同的LLM，進行超過30萬次實驗。結果顯示，隨著問題和臨床筆記數量增加，模型表現會下降。高容量模型如Llama-3-70b和GPT-4-turbo-128k能有效處理最多50個任務，但超過後表現下降。經濟分析指出，使用串接方式可在50個任務時實現高達17倍的成本降低，顯示LLM在臨床環境中的限制及提升成本效率的潛力。 PubMed DOI

NLP modeling recommendations for restricted data availability in clinical settings.
臨床環境中有限數據可用性的 NLP 建模建議。 BMC Med Inform Decis Mak 2025-03-07

這項研究探討自然語言處理（NLP）在臨床決策中的應用，特別針對西班牙語的轉診優先級排序和專科分類。研究發現，臨床特定的預訓練語言模型表現最佳，轉診優先級排序的宏觀F1分數達88.85%，專科分類為53.79%。雖然繼續預訓練稍微提升性能，但相對於計算成本，這些提升不算明顯。大型語言模型的少量學習在數據稀缺時仍有用。研究為臨床NLP從業者提供實用建議，強調考量數據可用性和任務複雜性。 PubMed DOI

Large language models are less effective at clinical prediction tasks than locally trained machine learning models.
大型語言模型在臨床預測任務中的效果不如本地訓練的機器學習模型。 J Am Med Inform Assoc 2025-03-08

這項研究比較了大型語言模型（如GPT-3.5和GPT-4）與傳統機器學習方法（如梯度提升樹）在使用電子健康紀錄預測臨床結果的效果。結果顯示，傳統機器學習在預測性能和模型校準上均優於大型語言模型，且在隱私保護下對人口統計信息的泛化能力更強。雖然GPT-4在公平性指標上表現最佳，但其預測性能卻有所下降。總體來看，傳統機器學習在臨床預測任務中仍然更為有效和穩健。 PubMed DOI

Evaluating the effectiveness of biomedical fine-tuning for large language models on clinical tasks.
評估生物醫學微調對大型語言模型在臨床任務上的有效性。 J Am Med Inform Assoc 2025-04-07

這項研究評估了生物醫學調整的大型語言模型（LLMs）在臨床任務中的表現，與通用模型相比。研究發現，生物醫學LLMs的表現通常不如通用模型，尤其在與醫學知識無關的任務上。雖然一些大型模型表現相似，但較小的生物醫學模型明顯落後。這挑戰了精細調整LLMs能自動提升表現的觀念，建議探索其他策略，如檢索增強生成，以更有效地整合LLMs進入臨床環境。 PubMed DOI

A Prospective Comparison of Large Language Models for Early Prediction of Sepsis.
大型語言模型於敗血症早期預測之前瞻性比較 Pac Symp Biocomput 2025-04-29

這項研究發現，Llama-3 8B 雖然模型較小，但在從病歷擷取臨床徵象、預測早期敗血症的表現，幾乎和較大的 Mixtral 8x7B 一樣好。兩者都整合進 COMPOSER-LLM 系統，準確率相近。這代表運算效率高的小模型，也很適合資源有限的醫療現場使用。 PubMed DOI

Harnessing the Power of Single Cell Large Language Models with Parameter Efficient Fine-Tuning using scPEFT.
利用 scPEFT 以參數高效微調，發揮單細胞大型語言模型的潛力 Res Sq 2025-05-02

作者提出 scPEFT 方法，透過在主模型參數凍結下加上小型可訓練 adapter，讓單細胞大型語言模型（scLLMs）能用很少資料和算力快速適應新任務，且不會忘記原本知識。scPEFT 在多種生物任務表現都比 zero-shot 和傳統微調好，特別適合資源有限的研究人員推廣使用。 PubMed DOI

原始文章

站上相關主題文章列表