論文の概要: Coupling Symbolic Reasoning with Language Modeling for Efficient
Longitudinal Understanding of Unstructured Electronic Medical Records
- arxiv url: http://arxiv.org/abs/2308.03360v1
- Date: Mon, 7 Aug 2023 07:29:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 14:41:37.348703
- Title: Coupling Symbolic Reasoning with Language Modeling for Efficient
Longitudinal Understanding of Unstructured Electronic Medical Records
- Title（参考訳）: 非構造化電子カルテの効率的な経時的理解のための記号推論と言語モデルとの結合
- Authors: Shivani Shekhar, Simran Tiwari, T. C. Rensink, Ramy Eskander, Wael
Salloum
- Abstract要約: 言語モデルとシンボリック推論の結合による非構造的臨床テキストの理解向上効果について検討する。
このような組み合わせは、非構造化レコードからのいくつかの医学変数の抽出を改善することを示す。
- 参考スコア（独自算出の注目度）: 0.9003755151302328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The application of Artificial Intelligence (AI) in healthcare has been
revolutionary, especially with the recent advancements in transformer-based
Large Language Models (LLMs). However, the task of understanding unstructured
electronic medical records remains a challenge given the nature of the records
(e.g., disorganization, inconsistency, and redundancy) and the inability of
LLMs to derive reasoning paradigms that allow for comprehensive understanding
of medical variables. In this work, we examine the power of coupling symbolic
reasoning with language modeling toward improved understanding of unstructured
clinical texts. We show that such a combination improves the extraction of
several medical variables from unstructured records. In addition, we show that
the state-of-the-art commercially-free LLMs enjoy retrieval capabilities
comparable to those provided by their commercial counterparts. Finally, we
elaborate on the need for LLM steering through the application of symbolic
reasoning as the exclusive use of LLMs results in the lowest performance.
- Abstract（参考訳）: 医療における人工知能(AI)の応用は、特に最近のトランスフォーマーベースの大規模言語モデル(LLM)の進歩により、革命的になった。
しかし、非構造化の電子医療記録を理解するタスクは、記録の性質(例えば、非構造化、非一貫性、冗長性)と、医学変数の包括的理解を可能にする推論パラダイムを導出するllmの欠如を考えると、依然として課題である。
本研究では,非構造化臨床テキストの理解を深めるために,記号推論と言語モデリングを結合する能力について検討する。
このような組み合わせにより、非構造化レコードから複数の医療変数の抽出が向上することを示す。
さらに,現在最先端の商用LLMは,商用LLMに匹敵する検索機能を享受していることを示す。
最後に, LLM の排他的使用により低性能となるため, シンボル推論の適用による LLM ステアリングの必要性について詳述する。
関連論文リスト
- Mitigating Hallucinations of Large Language Models in Medical Information Extraction via Contrastive Decoding [92.32881381717594]
医療情報抽出タスクにおける幻覚の問題を解決するために,ALCD(ALternate Contrastive Decoding)を導入する。
ALCDは, 従来の復号法に比べて幻覚の解消に有意な改善が見られた。
論文 参考訳（メタデータ） (2024-10-21T07:19:19Z) - A Methodology for Explainable Large Language Models with Integrated Gradients and Linguistic Analysis in Text Classification [2.556395214262035]
アルツハイマー病(AD)のような発声に影響を及ぼす神経疾患は、患者と介護者の生活に大きな影響を及ぼす。
近年のLarge Language Model (LLM) アーキテクチャの進歩は、自然発声による神経疾患の代表的特徴を識別する多くのツールを開発した。
本稿では,ADに代表される語彙成分を識別できるSLIME法を提案する。
論文 参考訳（メタデータ） (2024-09-30T21:45:02Z) - Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。
VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。
本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T23:19:28Z) - Large Language Model Distilling Medication Recommendation Model [61.89754499292561]
大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。
本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。
これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
論文 参考訳（メタデータ） (2024-02-05T08:25:22Z) - LLMs Accelerate Annotation for Medical Information Extraction [7.743388571513413]
本稿では,LLM(Large Language Models)と人間の専門知識を組み合わせた手法を提案する。
医療情報抽出タスクにおいて,我々の手法を厳格に評価し,我々のアプローチが人的介入を大幅に削減するだけでなく,高い精度を維持していることを示す。
論文 参考訳（メタデータ） (2023-12-04T19:26:13Z) - Large Language Models Illuminate a Progressive Pathway to Artificial
Healthcare Assistant: A Review [16.008511195589925]
大規模言語モデル(LLM)は、人間のレベルの言語理解と推論を模倣する有望な能力を示している。
本稿では,医学におけるLSMの応用と意義について概説する。
論文 参考訳（メタデータ） (2023-11-03T13:51:36Z) - Interpretable Medical Diagnostics with Structured Data Extraction by
Large Language Models [59.89454513692417]
タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。
本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。
本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-08T09:12:28Z) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳（メタデータ） (2023-05-30T22:05:11Z) - Large Language Models for Biomedical Knowledge Graph Construction:
Information extraction from EMR notes [0.0]
大規模言語モデル(LLM)に基づくエンドツーエンド機械学習ソリューションを提案する。
KG構築プロセスで使用される物質は、疾患、因子、治療、および疾患を経験中に患者と共存する症状である。
提案手法の応用は加齢に伴う黄斑変性に対して実証される。
論文 参考訳（メタデータ） (2023-01-29T15:52:33Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。