論文の概要: Few-Shot Learning for Chronic Disease Management: Leveraging Large
Language Models and Multi-Prompt Engineering with Medical Knowledge Injection
- arxiv url: http://arxiv.org/abs/2401.12988v1
- Date: Tue, 16 Jan 2024 13:54:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 15:29:26.380819
- Title: Few-Shot Learning for Chronic Disease Management: Leveraging Large
Language Models and Multi-Prompt Engineering with Medical Knowledge Injection
- Title（参考訳）: 慢性疾患管理のためのFew-Shot Learning:医療知識注入による大規模言語モデルとマルチプロンプト工学の活用
- Authors: Haoxin Liu, Wenli Zhang, Jiaheng Xie, Buomsoo Kim, Zhu Zhang, Yidong
Chai
- Abstract要約: 本研究は,慢性疾患管理のための最先端AI技術,特にユーザ生成テキストコンテンツによる種々の精神疾患の検出に活用する。
我々は,大規模言語モデルやマルチプロンプトエンジニアリングなど,高度なAI技術を活用する新しいフレームワークを提案する。
本手法は,世界中で広く普及している4つの精神疾患を研究事例として評価した。
- 参考スコア（独自算出の注目度）: 11.877874209616195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study harnesses state-of-the-art AI technology for chronic disease
management, specifically in detecting various mental disorders through
user-generated textual content. Existing studies typically rely on fully
supervised machine learning, which presents challenges such as the
labor-intensive manual process of annotating extensive training data for each
disease and the need to design specialized deep learning architectures for each
problem. To address such challenges, we propose a novel framework that
leverages advanced AI techniques, including large language models and
multi-prompt engineering. Specifically, we address two key technical challenges
in data-driven chronic disease management: (1) developing personalized prompts
to represent each user's uniqueness and (2) incorporating medical knowledge
into prompts to provide context for chronic disease detection, instruct
learning objectives, and operationalize prediction goals. We evaluate our
method using four mental disorders, which are prevalent chronic diseases
worldwide, as research cases. On the depression detection task, our method (F1
= 0.975~0.978) significantly outperforms traditional supervised learning
paradigms, including feature engineering (F1 = 0.760) and architecture
engineering (F1 = 0.756). Meanwhile, our approach demonstrates success in
few-shot learning, i.e., requiring only a minimal number of training examples
to detect chronic diseases based on user-generated textual content (i.e., only
2, 10, or 100 subjects). Moreover, our method can be generalized to other
mental disorder detection tasks, including anorexia, pathological gambling, and
self-harm (F1 = 0.919~0.978).
- Abstract（参考訳）: 本研究は,慢性疾患管理のための最先端AI技術,特にユーザ生成テキストコンテンツによる種々の精神疾患の検出に活用する。
既存の研究は通常、完全に監督された機械学習に頼り、各疾患の広範なトレーニングデータを注釈する労働集約的な手動プロセスや、各問題のための専門的なディープラーニングアーキテクチャを設計する必要性など、課題を提示している。
このような課題に対処するために、大規模言語モデルやマルチプロンプトエンジニアリングを含む高度なAI技術を活用する新しいフレームワークを提案する。
具体的には,データ駆動型慢性疾患管理における技術的課題として,(1)各ユーザの独特さを表わすパーソナライズドプロンプトの開発,(2)慢性疾患検出のコンテキスト提供,学習目標の指導,予測目標の運用化という2つの課題に対処した。
本手法は,世界中で流行している慢性疾患である4つの精神疾患を研究事例として評価する。
抑うつ検出タスクでは,本手法は特徴工学(F1 = 0.760)やアーキテクチャ工学(F1 = 0.756)など,従来の教師あり学習パラダイムよりも優れていた。
一方,本手法は,ユーザ生成したテキストコンテンツ(約2,10名,約100名)に基づいて慢性疾患を検出するために,最小限のトレーニング例しか必要としないという,数ショット学習の成功を実証する。
さらに、この方法は食欲不振、病的ギャンブル、自傷など他の精神障害検出タスクに一般化することができる(f1 = 0.919~0.978)。
関連論文リスト
- Deep Insights into Cognitive Decline: A Survey of Leveraging Non-Intrusive Modalities with Deep Learning Techniques [0.5172964916120903]
本研究は、ディープラーニング技術を用いて認知低下推定作業を自動化する最も関連性の高い手法についてレビューする。
トランスフォーマーアーキテクチャやファンデーションモデルのような最先端のアプローチを含む、各モダリティと方法論の重要な特徴と利点について論じる。
ほとんどの場合、テキストのモダリティは最良の結果を得ることができ、認知の低下を検出するのに最も関係がある。
論文 参考訳（メタデータ） (2024-10-24T17:59:21Z) - Evaluation of OpenAI o1: Opportunities and Challenges of AGI [112.0812059747033]
o1-previewは目覚ましい能力を示し、しばしば人間レベルまたは優れたパフォーマンスを実現した。
このモデルは、様々な分野にわたる複雑な推論と知識の統合を必要とするタスクに優れていた。
総合的な結果は、人工知能への大きな進歩を示している。
論文 参考訳（メタデータ） (2024-09-27T06:57:00Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - Determining the Difficulties of Students With Dyslexia via Virtual
Reality and Artificial Intelligence: An Exploratory Analysis [0.0]
VRAIlexiaプロジェクトは、この問題を解決するために、2つの異なるツールを提案している。
最初のものは、特定の心理学的・心理学的テストの実施のために、高等教育機関(Higher Education Institutions)のディプレックス学の学生の間で作成され、配布されている。
第2のツールは、アプリケーションやその他の調査を通じて収集されたデータに、特定の人工知能アルゴリズムを適用する。
論文 参考訳（メタデータ） (2024-01-15T20:26:09Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in
Healthcare with Automated Machine Learning [72.2614468437919]
本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。
我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。
我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
論文 参考訳（メタデータ） (2022-10-21T16:31:46Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。
医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。
近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
論文 参考訳（メタデータ） (2021-08-30T18:14:27Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - Collaborative Graph Learning with Auxiliary Text for Temporal Event
Prediction in Healthcare [16.40827965484983]
患者と患者の相互作用と医療領域の知識を探るための協調グラフ学習モデルを提案する。
私達の解決は患者および病気の構造特徴を捕獲できます。
提案手法の競合予測性能を示すために, 2つの重要な医療問題の実験を行った。
論文 参考訳（メタデータ） (2021-05-16T23:11:11Z) - A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis [12.02718865835448]
AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。
慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
論文 参考訳（メタデータ） (2020-08-14T11:19:32Z)
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。