Utilizing Large Language Models to Generate Synthetic Data to Increase the Performance of BERT-Based Neural Networks.
利用大型語言模型生成合成數據以提高基於BERT的神經網絡性能。 AMIA Jt Summits Transl Sci Proc 2024-06-03

醫療專家不足是個大問題，但機器學習可輔助篩檢和診斷。建立龐大且具代表性的資料集成本高，因此使用大型語言模型生成自閉症相關行為的合成範例。目標是透過標記符合自閉症標準的行為提高模型準確性。評估顯示，合成資料有高比例的正確行為範例-標記對。增加資料集可提高召回率，但會降低精確度。未來研究將探討合成資料特徵對機器學習結果的影響。 PubMed DOI

Evaluating large language models for health-related text classification tasks with public social media data.
利用公共社交媒體數據評估大型語言模型在健康相關文本分類任務中的表現。 J Am Med Inform Assoc 2024-08-09

這項研究評估大型語言模型（LLMs）在社交媒體健康相關文本分類的表現，並比較了不同模型的效果。結果顯示，基於人類標註數據的模型如RoBERTa和BERTweet表現優於基於GPT-3.5和GPT-4的模型。雖然LLM可用於數據增強，但僅依賴LLM標註數據訓練效果不佳。研究指出，LLM作為零樣本分類器能有效減少假陰性，並減輕手動標註負擔，顯示其在特定領域自然語言處理的潛力。 PubMed DOI

Applying Large Language Models to Interpret Qualitative Interviews in Healthcare.
應用大型語言模型解讀醫療領域的質性訪談。 Stud Health Technol Inform 2024-08-23

這項研究探討如何利用大型語言模型（LLMs）來改善醫療領域的質性訪談數據解釋。傳統的主題建模方法常常過於簡化，難以捕捉患者和醫療專業人員的細微經驗。研究發現，LLMs在數據解釋的效率和深度上表現更佳，顯示它們在整合人類觀點進入可持續醫療系統的發展中，可能扮演重要角色，並有助於解決該領域的挑戰。 PubMed DOI

Large Language Models Can Enable Inductive Thematic Analysis of a Social Media Corpus in a Single Prompt: Human Validation Study.
大型語言模型能夠在單一提示中啟用社交媒體語料庫的歸納主題分析：人類驗證研究。 JMIR Infodemiology 2024-08-29

這項研究探討生成性大型語言模型（LLMs）在分析公共健康相關社交媒體內容的可行性，特別是疫苗言論。研究發現，LLMs通常能有效識別人類專家所關注的主題，且錯誤信息出現率較低。雖然LLMs的分析深度不及人類專家，但專家認為其生成的主題仍然合理且相關。總體來看，LLMs在處理健康相關社交媒體內容方面展現出顯著潛力，未來可能有助於公共健康策略的制定與社區關注的理解。 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

Use of large language models as a scalable approach to understanding public health discourse.
大型語言模型作為理解公共衛生話語的可擴展方法。 PLOS Digit Health 2024-10-16

這項研究探討大型語言模型（LLMs）在分析社交媒體貼文，評估公眾對疫苗接種態度的應用。研究人員比較了不同LLMs的表現，包括GPT模型和開源替代品，並與基於規則的情感分析工具進行對比。結果顯示，使用表現最佳的LLMs進行少量提示能獲得最佳效果，而其他方法則有較高的誤分類風險。研究強調LLMs在公共衛生領域的潛力，建議將其納入公共衛生監測，以提升對健康政策公眾意見的評估能力。 PubMed DOI

Large language models and synthetic health data: progress and prospects.
大型語言模型與合成健康數據：進展與前景。 JAMIA Open 2024-10-28

隨著醫療保健對先進分析的需求增加，合成健康數據的使用變得愈加重要，尤其是在獲取真實健康數據的挑戰下。大型語言模型（LLMs）的進展為生成合成健康數據提供了新機會，但也帶來潛在風險。本文綜述了合成健康數據生成（SHDG）及LLM的研究，探討生成對抗網絡等機器學習模型的現狀與局限性。SHDG面臨的挑戰包括評估指標、數據效率、健康公平等，雖然LLMs在某些方面顯示潛力，但深入研究其優缺點仍然至關重要。 PubMed DOI

Leveraging large language models to construct feedback from medical multiple-choice Questions.
利用大型語言模型構建醫學多選題的反饋。 Sci Rep 2024-11-13

這項研究探討如何利用大型語言模型（LLMs）生成內容為基礎的反饋，以提升Progress Test Medizin考試的反饋效果，超越單純的數字分數。研究比較了兩個受歡迎的LLM在生成相關見解上的表現，並調查醫療從業人員和教育工作者對LLM能力及其反饋實用性的看法。結果顯示兩者表現相似，其中一個付費的稍優，另一個則免費。參與者認為反饋相關，並願意未來使用LLM。研究結論指出，雖然LLM生成的反饋不完美，但仍可作為傳統數字反饋的有價值補充。 PubMed DOI

Exploring the opportunities of large language models for summarizing palliative care consultations: A pilot comparative study.
探索大型語言模型在緩和醫療諮詢摘要中的機會：一項初步比較研究。 Digit Health 2024-11-21

最近的研究顯示大型語言模型（LLMs）在自然語言處理，特別是遠程醫療中有很大潛力。研究比較了GPT-3.5、GPT-4和LLaMA 2在醫療諮詢摘要的表現。結果顯示，LLaMA2-7B在n-gram精確度上表現最佳，而GPT-4在語義準確性和可讀性上優於其他模型。所有模型在總結能力上相似，但GPT-4在內容理解和結構上稍有優勢，顯示其生成病人友好摘要的潛力。研究也探討了使用LLMs的潛在風險與限制。 PubMed DOI

Generating Synthetic Healthcare Dialogues in Emergency Medicine Using Large Language Models.
利用大型語言模型生成急診醫學中的合成醫療對話。 Stud Health Technol Inform 2024-11-22

自然語言處理（NLP）在放射學等領域展現了將非結構化數據轉為結構化格式的潛力，但隱私問題使得數據集獲取困難。我們的目標是利用大型語言模型（LLMs）從救護人員與病人對話中提取醫療資訊，以填寫緊急應變程序表格。為此，我們開發了一個流程，使用"Zephyr-7b-beta"生成初步對話，再用GPT-4 Turbo進行精煉。初步結果顯示，"Zephyr-7b-beta"的準確率為94%，但經過精煉後略降至87%。這些結果顯示LLMs在醫療對話生成中的潛力與挑戰。 PubMed DOI

原始文章

站上相關主題文章列表