論文の概要: An adapted large language model facilitates multiple medical tasks in diabetes care
- arxiv url: http://arxiv.org/abs/2409.13191v1
- Date: Fri, 20 Sep 2024 03:47:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 11:29:51.773437
- Title: An adapted large language model facilitates multiple medical tasks in diabetes care
- Title(参考訳): 適応型大規模言語モデルが糖尿病治療における複数の医療作業を促進する
- Authors: Lai Wei, Zhen Ying, Muyang He, Yutong Chen, Qian Yang, Yanzhe Hong, Jiaping Lu, Xiaoying Li, Weiran Huang, Ying Chen,
- Abstract要約: 大規模言語モデル(LLM)は、様々な医療シナリオにおいて有望であるが、様々な糖尿病タスクにおけるその効果は証明されていない。
本研究は糖尿病特異的LSMを訓練し、検証するための枠組みを導入した。
- 参考スコア(独自算出の注目度): 20.096444964141508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diabetes is a chronic disease that poses a significant global health burden, and optimizing diabetes management requires multi-stakeholder collaboration. Large language models (LLMs) have shown promise in various healthcare scenarios, but their effectiveness across a diverse range of diabetes tasks remains unproven. In this study, we introduced a framework to train and validate diabetes-specific LLMs. We first developed a comprehensive data processing pipeline that includes data collection, filtering, augmentation and refinement. This approach contributes to creating a high-quality, diabetes-specific dataset, and several evaluation benchmarks entirely from scratch. Utilizing the collected training dataset, we fine-tuned a diabetes-specific LLM family that demonstrated state-of-the-art proficiency in understanding and processing various diabetes tasks compared to other LLMs. Furthermore, clinical studies showed the potential applications of our models in diabetes care, including providing personalized healthcare, assisting medical education, and streamlining clinical tasks. In conclusion, our study introduced a framework to develop and evaluate a diabetes-specific LLM family, and highlighted its potential to enhance clinical practice and provide personalized, data-driven support for diabetes support when facing different end users. The code is provided via GitHub at https://github.com/waltonfuture/Diabetica.
- Abstract(参考訳): 糖尿病は世界的な健康上の重荷となる慢性疾患であり、糖尿病管理の最適化には複数のステークホルダーの協力が必要である。
大規模言語モデル(LLM)は、様々な医療シナリオにおいて有望であるが、様々な糖尿病タスクにおけるその効果は証明されていない。
本研究では,糖尿病特異的LSMを訓練し,評価するための枠組みを導入した。
最初に、データ収集、フィルタリング、拡張、改善を含む包括的なデータ処理パイプラインを開発しました。
このアプローチは、高品質で糖尿病特異的なデータセットの作成に寄与し、スクラッチから完全に評価ベンチマークをいくつか作成する。
収集したトレーニングデータセットを用いて糖尿病特異的LLMファミリーを微調整し,他のLLMと比較した各種糖尿病タスクの理解と処理の最先端性を示した。
さらに, 糖尿病治療におけるモデルの有用性について臨床的検討を行い, パーソナライズされた医療提供, 医療支援, 臨床業務の合理化などについて検討した。
そこで本研究では,糖尿病特異的LLMファミリーを開発・評価する枠組みを導入し,臨床実践の強化と,エンドユーザーと対面した糖尿病支援のためのパーソナライズされたデータ駆動型サポートの提供の可能性を強調した。
コードはGitHubでhttps://github.com/waltonfuture/Diabetica.comで提供されている。
関連論文リスト
- Advances in Artificial Intelligence forDiabetes Prediction: Insights from a Systematic Literature Review [8.984498754808792]
この体系的なレビューでは、データセット、アルゴリズム、トレーニング方法、評価指標に重点を置いた、糖尿病の予測における機械学習(ML)の使用について検討する。
このレビューは、CNN、SVM、ロジスティック回帰、XGBoostといったMLアルゴリズムのパフォーマンスを糖尿病の結果を予測するために評価する。
論文 参考訳(メタデータ) (2024-12-19T11:09:10Z) - Towards Evaluating and Building Versatile Large Language Models for Medicine [57.49547766838095]
MedS-Benchは大規模言語モデル(LLM)の性能を臨床的に評価するためのベンチマークである。
MedS-Benchは、臨床報告の要約、治療勧告、診断、名前付きエンティティ認識、医療概念説明を含む、11のハイレベルな臨床タスクにまたがる。
MedS-Insは58の医療指向言語コーパスで構成され、112のタスクで1350万のサンプルを収集している。
論文 参考訳(メタデータ) (2024-08-22T17:01:34Z) - From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。
GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。
CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
論文 参考訳(メタデータ) (2024-08-20T13:19:06Z) - CLIP-DR: Textual Knowledge-Guided Diabetic Retinopathy Grading with Ranking-aware Prompting [48.47935559597376]
糖尿病網膜症(英: Diabetic retinopathy, DR)は、糖尿病の合併症の一つで、視力低下のレベルに達するのに何十年もかかる。
現在のDRグレーディング手法のほとんどは、データのばらつきに不十分な堅牢性に悩まされている。
3つの観測結果に基づく新しいDRグレーティングフレームワークCLIP-DRを提案する。
論文 参考訳(メタデータ) (2024-07-04T17:14:18Z) - STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。
STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
論文 参考訳(メタデータ) (2024-06-28T15:01:23Z) - Knowledge-Infused LLM-Powered Conversational Health Agent: A Case Study
for Diabetes Patients [5.681077687942451]
糖尿病患者に対する知識注入型LLMを用いた会話型健康エージェント(CHA)を提案する。
オープンソースのopenCHAフレームワークをカスタマイズして活用し、外部知識と分析能力でCHAを強化します。
本評価では,毎日の食事選択に関する糖尿病関連質問100件と,提案した食事に関する潜在的なリスクについて検討した。
論文 参考訳(メタデータ) (2024-02-15T18:00:02Z) - Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
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) - Diabetes detection using deep learning techniques with oversampling and
feature augmentation [0.3749861135832073]
糖尿病は慢性の病理であり、ここ数年でますます多くの人に影響を与えている。
毎年多数の死者が出ている。
この病気を患っている多くの人々は、健康状態の深刻さを十分に理解していない。
論文 参考訳(メタデータ) (2024-02-03T15:30:20Z) - Unsupervised Pre-Training on Patient Population Graphs for Patient-Level
Predictions [48.02011627390706]
プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。
本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。
提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
論文 参考訳(メタデータ) (2022-03-23T17:59:45Z) - The Diabetic Buddy: A Diet Regulator andTracking System for Diabetics [3.7026481341955053]
中東における糖尿病の流行は17-20%であり、世界平均の8-9%を大きく上回っている。
本稿では,市販センサと機械学習を用いて,糖尿病患者の血糖値と食物摂取量の自動追跡方法を提案する。
論文 参考訳(メタデータ) (2021-01-08T20:03:58Z) - Diabetes Link: Platform for Self-Control and Monitoring People with
Diabetes [0.13681174239726604]
糖尿病(英: Diabetes Mellitus, DM)は、血糖値が正常値を超えるのを特徴とする慢性疾患である。
Diabetes Linkは、DMで人々をコントロールし、監視するための総合的なプラットフォームである。
論文 参考訳(メタデータ) (2020-10-29T19:59:27Z)
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。