Leveraging Large Language Models for Clinical Abbreviation Disambiguation.
運用大型語言模型進行臨床縮寫消歧。 J Med Syst 2024-02-28

醫學領域中，找到正確資訊很重要。這篇論文提出使用大型語言模型和生成模型來改善消除歧義，方法是增加相關內容的實例來擴充資料集。結合BlueBERT、Transformers和BIOGPT，產生多樣臨床文本實例。在CASI資料集上評估，方法提升效能，特別對有限實例的情況，解決資料不均和類似概念挑戰。結果顯示，大型語言模型和生成技術有效，模型準確度高於先前方法。 PubMed DOI

BioLORD-2023: semantic textual representations fusing large language models and clinical knowledge graph insights.
BioLORD-2023：融合大型語言模型和臨床知識圖譜見解的語義文本表示。 J Am Med Inform Assoc 2024-02-27

研究利用大型語言模型來增進生物醫學知識圖譜，訓練生物醫學和臨床領域的語義模型。提出新方法，包括改進的對比學習、自我蒸餾和權重平均，生成準確的生物醫學概念和句子表示。通過各種任務評估，顯示相對現有方法的明顯改進。推出新英文最先進的生物醫學模型，以及支援50多種語言的多語言模型，有助於全球臨床流程和生物信息學研究。BioLORD-2023模型旨在成為未來生物醫學應用的重要工具。 PubMed DOI

Advancing entity recognition in biomedicine via instruction tuning of large language models.
透過大型語言模型的指導調整，提升生物醫學實體識別。 Bioinformatics 2024-03-21

大型語言模型在處理自然語言方面有很大潛力，特別是在文本生成、推理和少樣本學習方面表現優秀。然而，在生物醫學領域的命名實體識別方面，LLMs效果不如專門調校的模型好。為了解決這問題，開發了一種新的基於指令的學習方法，創建了BioNER-LLaMA。測試結果顯示，BioNER-LLaMA在生物醫學NER任務中表現優於GPT-4，與專門模型相當。這種方法有潛力提升LLMs在生物醫學和健康領域的競爭力，值得進一步研究。 PubMed DOI

A hybrid framework with large language models for rare disease phenotyping.
一個結合大型語言模型的稀有疾病表現型鑑定混合框架。 BMC Med Inform Decis Mak 2024-10-07

罕見疾病的診斷與治療面臨挑戰，因為其發生率低且表現多樣。研究提出一種混合方法，結合字典式自然語言處理（NLP）工具與大型語言模型（LLMs），以提升從非結構化臨床報告中識別罕見疾病的能力。這個框架整合了孤兒病本體和統一醫學語言系統，利用SemEHR工具提取疾病資訊，並透過多種LLMs優化結果。研究顯示，這種方法在識別潛在罕見疾病方面表現優異，顯示出其在臨床應用中的潛力，未來仍需進一步研究以克服相關挑戰。 PubMed DOI

Learning to match patients to clinical trials using large language models.
使用大型語言模型學習將患者匹配到臨床試驗。 J Biomed Inform 2024-10-10

這項研究探討大型語言模型（LLMs）在提升病人與臨床試驗（CTs）匹配的應用，並以資訊檢索為框架。研究開發了一個多階段檢索管道，結合BM25、Transformer排名器及LLM方法，數據來自TREC臨床試驗2021-23。結果顯示，微調的LLM在查詢形成、過濾及重新排名上表現優於傳統方法，提升了識別合格試驗的有效性。雖然LLMs具競爭力，但計算成本較高，效率降低。未來研究應聚焦於優化成本與檢索有效性之間的平衡。 PubMed DOI

Large Language Models in Biomedical and Health Informatics: A Review with Bibliometric Analysis.
生物醫學與健康資訊學中的大型語言模型：文獻計量分析的回顧。 J Healthc Inform Res 2024-10-28

這項研究全面探討大型語言模型（LLMs）在生物醫學與健康資訊學（BHI）的應用，強調其變革潛力及面臨的倫理與實際挑戰。透過分析1,698篇研究，發現LLMs在臨床決策支持、病患互動及醫療文件分析等領域的應用顯著增加，預期能提升診斷準確性。研究也揭示機構間的合作動態，特別是在心理健康和神經系統疾病的管理上，顯示出個人化醫療的潛力。儘管LLMs展現出巨大潛力，仍需重視倫理影響及模型驗證挑戰，以確保其在臨床上的有效性。 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

Integrating NLP and LLMs to discover biomarkers and mechanisms in Alzheimer's disease.
整合 NLP 和 LLMs 以發現阿茲海默症中的生物標記和機制。 SLAS Technol 2025-02-23

阿茲海默症是一種漸進性的神經系統疾病，影響全球數百萬人，導致認知能力下降和記憶喪失。傳統診斷方法難以早期檢測。本研究提出一種新方法，結合自然語言處理和大型語言模型，利用GenBERT來識別阿茲海默症的生物標記。透過整合臨床數據，GenBERT在早期預測方面表現優異，準確率達98.30%，並顯示出高敏感性和特異性，為阿茲海默症的早期診斷提供了可靠工具，可能改變未來的檢測與治療策略。 PubMed DOI

MedAdapter: Efficient Test-Time Adaptation of Large Language Models Towards Medical Reasoning.
MedAdapter: 大型語言模型在醫學推理中的高效測試時適應。 Proc Conf Empir Methods Nat Lang Process 2025-03-03

這項研究介紹了MedAdapter，一種新方法，能讓大型語言模型（LLMs）在生物醫學領域適應，而不需微調整個模型。MedAdapter使用小型的BERT適配器來排名LLMs生成的候選解，提升測試時的適應性。實驗顯示，MedAdapter在四個生物醫學任務上，白盒和黑盒LLMs的性能分別提升了18.24%和10.96%。這種方法資源效率高，且保護數據隱私，適合現有方法的靈活選擇。 PubMed DOI

PhenoAlign: A Hybrid Data-Knowledge-Driven Approach for Precisely Aligning Phenotype Information in Medical Texts.
PhenoAlign：一種混合數據-知識驅動的方法，用於精確對齊醫學文本中的表現型信息。 IEEE J Biomed Health Inform 2025-03-03

這項研究針對醫學文本中的表型資訊進行精確對齊，旨在提升智能醫療應用，如檢索相似病患案例。作者提出了表型語義結構單元（PhenoSSU）及自動提取演算法，並探索多種對齊策略，發現數據驅動的方法效果最佳。基於BERT的模型對短語型PhenoSSU有效，而知識基礎方法則適合邏輯型PhenoSSU。最終開發的PhenoAlign工具在金標準測試集上表現優異，F1分數達0.820，顯示其在病患照護和醫學研究中的潛力。 PubMed DOI

原始文章

站上相關主題文章列表