論文の概要: Leveraging ChatGPT in Pharmacovigilance Event Extraction: An Empirical Study

• arxiv url: http://arxiv.org/abs/2402.15663v1
• Date: Sat, 24 Feb 2024 00:38:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 17:29:03.254368
• Title: Leveraging ChatGPT in Pharmacovigilance Event Extraction: An Empirical Study
• Title（参考訳）: 薬理学的イベント抽出におけるChatGPTの活用 : 実証的研究
• Authors: Zhaoyue Sun, Gabriele Pergola, Byron C. Wallace and Yulan He
• Abstract要約: 本研究の目的は,大規模言語モデル,特にChatGPTの薬物移動イベント抽出における能力を検討することである。 薬物移動イベント抽出タスクにおけるChatGPTの性能を評価するための広範囲な実験を行った。 合成データを微調整に組み込むことは、ChatGPT生成ラベルのノイズに起因する可能性があるため、性能の低下につながる可能性がある。
• 参考スコア（独自算出の注目度）: 38.555547784219115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the advent of large language models (LLMs), there has been growing interest in exploring their potential for medical applications. This research aims to investigate the ability of LLMs, specifically ChatGPT, in the context of pharmacovigilance event extraction, of which the main goal is to identify and extract adverse events or potential therapeutic events from textual medical sources. We conduct extensive experiments to assess the performance of ChatGPT in the pharmacovigilance event extraction task, employing various prompts and demonstration selection strategies. The findings demonstrate that while ChatGPT demonstrates reasonable performance with appropriate demonstration selection strategies, it still falls short compared to fully fine-tuned small models. Additionally, we explore the potential of leveraging ChatGPT for data augmentation. However, our investigation reveals that the inclusion of synthesized data into fine-tuning may lead to a decrease in performance, possibly attributed to noise in the ChatGPT-generated labels. To mitigate this, we explore different filtering strategies and find that, with the proper approach, more stable performance can be achieved, although constant improvement remains elusive.
• Abstract（参考訳）: 大規模言語モデル(llm)の出現により、医学的応用の可能性について探究する関心が高まっている。 本研究の目的は, 薬物移動イベント抽出におけるLSM, 特にChatGPTの能力について検討することであり, その主な目的は, テキスト医療ソースから有害事象や潜在的治療イベントを識別・抽出することである。 薬物移動イベント抽出タスクにおけるChatGPTの性能を評価するための広範囲な実験を行い、様々なプロンプトとデモ選択戦略を用いた。 この結果から,ChatGPTは適切な実演選択戦略を用いて合理的な性能を示すが,完全微調整された小型モデルに比べ,依然として不足していることがわかった。 さらに,データ拡張にChatGPTを活用する可能性についても検討する。 しかし,本研究では,合成データを微調整に組み込むことで,ChatGPT生成ラベルのノイズによる性能低下につながる可能性が示唆された。 これを軽減するため、異なるフィルタリング戦略を検討し、適切なアプローチでより安定したパフォーマンスを実現することができることを見出します。

関連論文リスト

• Enhancing Adverse Drug Event Detection with Multimodal Dataset: Corpus Creation and Model Development [12.258245804049114]
  有害薬物イベント(ADEs)の採掘は、患者の安全性を高めるために薬物移動において重要な役割を担っている。 従来のADE検出方法は信頼性が高いが遅く、大規模な操作に容易に適応できない。 以前のADE鉱業研究は、視覚的な手がかりを見越して、テキストベースの方法論に焦点を当ててきた。 我々は、ADE関連テキスト情報を視覚支援と組み合わせたMMADE(MultiModal Adverse Drug Event)検出データセットを提案する。
  論文  参考訳（メタデータ） (2024-05-24T17:58:42Z)
• CohortGPT: An Enhanced GPT for Participant Recruitment in Clinical Study [17.96401880059829]
  ChatGPTのような大規模言語モデル(LLM)は、様々な下流タスクで大きな成功を収めています。 我々は,知識グラフを補助情報として,予測を行う際のLCMを導くことを提案する。 本手法は, 微調整手法と比較して, 良好な性能が得られる。
  論文  参考訳（メタデータ） (2023-07-21T04:43:00Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• Pushing the Limits of ChatGPT on NLP Tasks [79.17291002710517]
  ChatGPTの成功にもかかわらず、ほとんどのNLPタスクのパフォーマンスは教師付きベースラインよりかなり低い。 そこで本研究では,原因を調べた結果,以下の要因が原因であることが判明した。 NLPタスクにおけるChatGPTの限界を押し上げるために,これらの問題に対処する汎用モジュールの集合を提案する。
  論文  参考訳（メタデータ） (2023-06-16T09:40:05Z)
• To ChatGPT, or not to ChatGPT: That is the question! [78.407861566006]
  本研究は,ChatGPT検出における最新の手法を包括的かつ現代的に評価するものである。 我々は、ChatGPTと人間からのプロンプトからなるベンチマークデータセットをキュレートし、医療、オープンQ&A、ファイナンスドメインからの多様な質問を含む。 評価の結果,既存の手法ではChatGPT生成内容を効果的に検出できないことがわかった。
  論文  参考訳（メタデータ） (2023-04-04T03:04:28Z)
• Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
  臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。 本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。 提案手法により,下流タスクの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-03-08T03:56:31Z)
• Containing a spread through sequential learning: to exploit or to explore? [11.86456063377268]
  我々は、所定の試験予算の下で、累積感染を抑えるためのテストおよび隔離戦略を設計する。 ネットワークや拡散のパラメータによって,様々な合成データネットワークや実データネットワークにおけるエクスプロイトよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-01T00:13:52Z)
• ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
  本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。 本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
  論文  参考訳（メタデータ） (2022-05-10T15:39:11Z)
• Adding more data does not always help: A study in medical conversation summarization with PEGASUS [5.276054618115727]
  PEGを用いた転帰学習医療会話要約におけるデータセットサイズの影響について検討した。 また,分類環境での成功を受けて,低データ体制における様々な反復的なラベル付け戦略の評価を行った。 我々の研究は、医療会話要約への分類における低データ体制技術の導入の成功と課題に光を当てている。
  論文  参考訳（メタデータ） (2021-11-15T07:27:35Z)

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。