論文の概要: Comprehensive Modeling and Question Answering of Cancer Clinical Practice Guidelines using LLMs

• arxiv url: http://arxiv.org/abs/2501.13984v1
• Date: Thu, 23 Jan 2025 07:06:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:54.258718
• Title: Comprehensive Modeling and Question Answering of Cancer Clinical Practice Guidelines using LLMs
• Title（参考訳）: LLMを用いたがん診療ガイドラインの総合的モデリングと質問応答
• Authors: Bhumika Gupta, Pralaypati Ta, Keerthi Ram, Mohanasankar Sivaprakasam,
• Abstract要約: 本研究は,NCCN(National Comprehensive Cancer Network)がんガイドラインの文脈的にリッチなデジタル表現を作成するアプローチを提案する。 我々は,ノード分類にLarge Language Models (LLMs) を用いて,モデルのセマンティックエンリッチメントを実装する。 また,テキストのガイドラインに制約を加えることで,自然言語の質問に答えるための方法論も導入する。
• 参考スコア（独自算出の注目度）: 0.6187270874122919
• License:
• Abstract: The updated recommendations on diagnostic procedures and treatment pathways for a medical condition are documented as graphical flows in Clinical Practice Guidelines (CPGs). For effective use of the CPGs in helping medical professionals in the treatment decision process, it is necessary to fully capture the guideline knowledge, particularly the contexts and their relationships in the graph. While several existing works have utilized these guidelines to create rule bases for Clinical Decision Support Systems, limited work has been done toward directly capturing the full medical knowledge contained in CPGs. This work proposes an approach to create a contextually enriched, faithful digital representation of National Comprehensive Cancer Network (NCCN) Cancer CPGs in the form of graphs using automated extraction and node & relationship classification. We also implement semantic enrichment of the model by using Large Language Models (LLMs) for node classification, achieving an accuracy of 80.86% and 88.47% with zero-shot learning and few-shot learning, respectively. Additionally, we introduce a methodology for answering natural language questions with constraints to guideline text by leveraging LLMs to extract the relevant subgraph from the guideline knowledge base. By generating natural language answers based on subgraph paths and semantic information, we mitigate the risk of incorrect answers and hallucination associated with LLMs, ensuring factual accuracy in medical domain Question Answering.
• Abstract（参考訳）: 臨床診療ガイドライン (CPGs) では, 診断手順や治療経路の改訂が, グラフィカルフローとして記録されている。 治療決定過程において医療従事者を支援するために, CPGを効果的に活用するためには, ガイドライン知識, 特にグラフにおけるコンテキストとその関連性を完全に把握する必要がある。 いくつかの既存の研究は、これらのガイドラインを利用して臨床決定支援システムのルールベースを作成してきたが、CPGに含まれるすべての医療知識を直接把握するための限定的な作業は行われていない。 本研究では,NCCN(National Comprehensive Cancer Network)のCPGを,自動抽出とノード・アンド・リレーションズ分類を用いてグラフ形式で表現する手法を提案する。 また,ノード分類にLarge Language Models (LLMs) を用いることで,ゼロショット学習と少数ショット学習で80.86%,88.47%の精度でモデルのセマンティックエンリッチ化を実現する。 さらに,LLMを活用して本ガイドラインの知識ベースから関連するサブグラフを抽出することで,テキストのガイドライン化を制約した自然言語質問に回答する手法を提案する。 サブグラフパスとセマンティック情報に基づいて自然言語の回答を生成することにより,LLMに関連する誤答や幻覚のリスクを軽減し,医療分野の質問回答における事実的正確性を確保する。

関連論文リスト

• Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
  大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。 本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-24T15:41:56Z)
• 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)
• Knowledge-Infused Prompting: Assessing and Advancing Clinical Text Data Generation with Large Language Models [48.07083163501746]
  臨床自然言語処理には、ドメイン固有の課題に対処できる方法が必要である。 我々は,そのプロセスに知識を注入する,革新的で資源効率のよいアプローチであるClinGenを提案する。 7つのNLPタスクと16のデータセットを比較検討した結果,ClinGenはさまざまなタスクのパフォーマンスを継続的に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-11-01T04:37:28Z)
• Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction [7.5569033426158585]
  自動診断におけるLarge Language Models (LLMs) の習熟度を高めるための革新的なアプローチを提案する。 我々は,国立医科大学統一医療言語システム(UMLS)からKGを抽出した。 我々のアプローチは説明可能な診断経路を提供し、AIによる診断決定支援システムの実現に近づいている。
  論文  参考訳（メタデータ） (2023-08-28T06:05:18Z)
• Automated Knowledge Modeling for Cancer Clinical Practice Guidelines [1.1083289076967895]
  がん診療ガイドライン (CPGs) は, 活発な研究によって生み出された新たな証拠により, 急速に進展する。 現在、CPGは主に、この発展途上の知識を管理するのに不適な文書形式で発行されている。 オンコロジーにおけるNACN CPGから知識を自動的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-15T18:07:08Z)
• 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)
• Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
  本稿では,Re$3$Writer法を提案する。 本手法が患者の退院指示生成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:34:39Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• HealthPrompt: A Zero-shot Learning Paradigm for Clinical Natural Language Processing [3.762895631262445]
  われわれはHealthPromptという新しいプロンプトベースのNLPフレームワークを開発した。 本研究は,6種類のPLMを用いたHealthPromptの詳細な分析を行った。 本実験は,臨床テキストのコンテキストを効果的に把握し,トレーニングデータなしで極めて良好に動作できることを証明した。
  論文  参考訳（メタデータ） (2022-03-09T21:44:28Z)
• AI Driven Knowledge Extraction from Clinical Practice Guidelines: Turning Research into Practice [2.803896166632835]
  臨床実践ガイドライン(CPGs)は、医療領域における最先端の研究成果を医療従事者と共有するための最前線の方法論です。 しかし、多くのCPGから関連する知識を抽出することは、すでに負担のかかる医療専門家には実現できません。 本研究は, CPGから知識を抽出し, ギャップを減らし, 最新の研究成果を臨床実践に転換する手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T07:23:02Z)

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。