OpenMedLM: prompt engineering can out-perform fine-tuning in medical question-answering with open-source large language models.
OpenMedLM: 在醫學問答中，prompt engineering 可以優於對開源大型語言模型進行微調。 Sci Rep 2024-06-19

OpenMedLM是一個開源的醫學語言模型，在醫學基準測試中表現優異，且無需大量微調。透過提示策略，OpenMedLM在三個醫學語言模型基準測試中取得領先地位，超越其他模型。這顯示開源基礎模型在提升醫療任務表現方面具有潛力，同時也凸顯提示工程對於醫學應用中易用的語言模型的重要性。 PubMed DOI

Empowering large language models for automated clinical assessment with generation-augmented retrieval and hierarchical chain-of-thought.
利用生成增強檢索和分層思維鏈來提升大型語言模型的自動臨床評估能力。 Artif Intell Med 2025-02-20

這項研究提出了一種名為「GAPrompt」的新方法，旨在提升大型語言模型（LLMs）在自動化臨床評估中的應用，特別是針對電子健康紀錄（EHRs）中的中風評估。GAPrompt包含五個關鍵組件，包括選擇適合的LLM、建立增強知識庫、改善檢索、增強推理精確性及結合多重生成輸出。研究結果顯示，GAPrompt能有效分析EHRs並提供定量評估，解決傳統中風評估的勞動密集問題，顯示LLMs在醫療及其他領域的潛力。 PubMed DOI

Aligning, Autoencoding and Prompting Large Language Models for Novel Disease Reporting.
對大型語言模型進行對齊、自編碼和提示以報告新疾病。 IEEE Trans Pattern Anal Mach Intell 2025-03-03

所提的PromptLLM方法針對生成新疾病的放射科報告，特別是在標記數據有限的情況下，提供了解決方案。它包含三個步驟： 1. **對齊**：將影像與文本報告對齊，從已標記的疾病中提取知識。 2. **自編碼**：利用新疾病的未標記數據訓練語言模型，掌握相關知識與寫作風格。 3. **提示**：用獲得的知識提示LLM，生成針對新疾病的準確報告。這方法在僅用1%訓練數據的情況下，能有效生成報告，減少對大型標記數據集的依賴，提升新興疾病的數據分析能力。相關代碼與數據已在GitHub公開。 PubMed DOI

Leveraging large language models for knowledge-free weak supervision in clinical natural language processing.
利用大型語言模型在臨床自然語言處理中進行無知識的弱監督學習。 Sci Rep 2025-03-11

基於深度學習的自然語言處理系統在臨床領域常需大量標記數據，但這些數據難以獲得且成本高。雖然弱監督和上下文學習有助於大型語言模型，但效果仍不如傳統監督方法。我們提出一種新方法，結合LLMs的微調與弱監督，僅需少量領域知識即可提升表現。透過提示策略生成弱標記數據，並用少量金標準數據微調BERT模型。我們在i2b2/n2c2數據集上測試，結果顯示僅用10個金標準筆記，模型F1分數超越PubMedBERT，提升幅度達4.7-47.9%。使用50個金標準筆記時，性能可與完全微調系統相媲美。 PubMed DOI

LLM-IE: a python package for biomedical generative information extraction with large language models.
LLM-IE：一個用於生物醫學生成信息提取的大型語言模型的 Python 套件。 JAMIA Open 2025-03-13

最近，大型語言模型（LLMs）在生物醫學資訊擷取（IE）方面的應用逐漸增多，但仍面臨提示工程和演算法開發的挑戰，且缺乏專門的軟體解決方案。為此，我們開發了 **LLM-IE**，這是一個用於建立資訊擷取管道的 Python 套件，能協助進行命名實體識別、實體屬性擷取及關係擷取。我們在 i2b2 臨床數據集上測試，發現其在實體擷取上達到超過 70% 的 F1 分數，實體屬性擷取約 60%。**LLM-IE** 還提供互動式 LLM 代理、先進的提示演算法及可視化工具，未來將持續增強與提升效率。 PubMed DOI

Enhancing data quality in medical concept normalization through large language models.
透過大型語言模型提升醫學概念標準化中的數據質量。 J Biomed Inform 2025-04-03

這項研究聚焦於醫療概念標準化（MCN），強調數據質量對其表現的重要性，並提出一個框架來提升數據質量，利用像ChatGPT這樣的大型語言模型。研究評估了MCN數據集的質量，並透過ChatGPT進行數據增強，分析生成數據的正確性。實驗探討數據質量對MCN模型的影響，並指出增強過程中的數據重複問題。最終，研究認為少樣本學習結合適當的上下文是提升MCN數據質量的有效方法，並提供了寶貴的見解。如需詳情，可參考提供的GitHub連結。 PubMed DOI

Cross-Institutional Evaluation of Large Language Models for Radiology Diagnosis Extraction: A Prompt-Engineering Perspective.
跨機構評估大型語言模型於放射診斷萃取之表現：以提示工程觀點分析 J Imaging Inform Med 2025-05-09

這項研究用標準化、針對人類優化的提示語，讓大型語言模型標註六家醫院的放射科報告，結果 Llama 3.1 70b 在不同報告和機構間都很準確且一致。顯示只要設計好提示語，LLMs 在各種臨床環境下都能穩定標註。未來會再加強提示語的通用性和模型穩定性。 PubMed DOI

Exploring Zero-Shot Cross-Lingual Biomedical Concept Normalization via Large Language Models.
利用大型語言模型探索零樣本跨語言生醫概念正規化 Stud Health Technol Inform 2025-05-17

這篇論文比較了在 XL-BEL 多語言生醫資料集上，判別式和生成式大型語言模型做跨語言生醫概念正規化的效果。結果發現，判別式模型 e5 表現最好，生成式模型以 BioMistral 最優。相關程式碼已公開在 GitHub。 PubMed DOI

Enhancing Cross-Domain Generalizability in Social Determinants of Health Extraction with Prompt-Tuning Large Language Models.
利用提示微調大型語言模型提升社會健康決定因素萃取的跨領域泛化能力 AMIA Jt Summits Transl Sci Proc 2025-06-12

這項研究發現，結合 soft prompt-based learning 和大型語言模型（像 GatorTronGPT），能大幅提升從不同醫院和疾病的臨床文本中萃取社會健康決定因素（SDoH）的效果。經過 prompt-tuning 的 GatorTronGPT，F1 分數最高比傳統 fine-tuned 模型多出 21.8%，顯示它在跨領域應用上表現更好。 PubMed

Evaluating large language models for information extraction from gastroscopy and colonoscopy reports through multi-strategy prompting.
透過多策略提示評估大型語言模型於胃鏡與大腸鏡報告資訊擷取的表現 J Biomed Inform 2025-06-12

這項研究評估多種大型語言模型，利用提示工程從胃鏡和大腸鏡報告中擷取結構化資訊。結果顯示，大型且專業化的模型在基本資訊擷取表現最好，但遇到複雜推理時仍有限制。少樣本學習對部分模型有幫助，顯示LLMs自動化醫療文本分析有潛力，但還需改進。 PubMed DOI

原始文章

站上相關主題文章列表