論文の概要: A Multi-Layered Large Language Model Framework for Disease Prediction

• arxiv url: http://arxiv.org/abs/2502.00063v1
• Date: Thu, 30 Jan 2025 18:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:04:48.526203
• Title: A Multi-Layered Large Language Model Framework for Disease Prediction
• Title（参考訳）: 病気予測のための多層大規模言語モデルフレームワーク
• Authors: Malak Mohamed, Rokaia Emad, Ali Hamdi,
• Abstract要約: 大きな言語モデル(LLM)は複雑な医療データを処理し、病気の分類を強化する。 本研究は,3つのアラビア医療用テキスト前処理技術について検討する。 CAMeL-BERT, AraBERT, Asafaya-BERTをLoRAで評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Social telehealth has revolutionized healthcare by enabling patients to share symptoms and receive medical consultations remotely. Users frequently post symptoms on social media and online health platforms, generating a vast repository of medical data that can be leveraged for disease classification and symptom severity assessment. Large language models (LLMs), such as LLAMA3, GPT-3.5 Turbo, and BERT, process complex medical data to enhance disease classification. This study explores three Arabic medical text preprocessing techniques: text summarization, text refinement, and Named Entity Recognition (NER). Evaluating CAMeL-BERT, AraBERT, and Asafaya-BERT with LoRA, the best performance was achieved using CAMeL-BERT with NER-augmented text (83% type classification, 69% severity assessment). Non-fine-tuned models performed poorly (13%-20% type classification, 40%-49% severity assessment). Integrating LLMs into social telehealth systems enhances diagnostic accuracy and treatment outcomes.
• Abstract（参考訳）: 社会的遠隔医療は、患者が症状を共有し、遠隔で医療相談を受けることを可能にすることで、医療に革命をもたらした。 ユーザーはしばしばソーシャルメディアやオンライン健康プラットフォームに症状を投稿し、病気の分類や症状の重症度評価に活用できる膨大な医療データのリポジトリを生成する。 LLAMA3、GPT-3.5 Turbo、BERTなどの大規模言語モデル(LLM)は、複雑な医療データを処理して疾患分類を強化する。 本研究では, テキスト要約, テキスト改良, 名前付きエンティティ認識 (NER) の3つの医療用テキスト前処理技術について検討した。 CAMeL-BERT, AraBERT, Asafaya-BERT を LoRA で評価し, NER増補テキストを用いたCAMeL-BERT (型分類83%, 重度評価69%) で最高の性能を示した。 非微調整モデルでは,13%～20%の型分類,40%～49%の重症度評価が得られなかった。 LLMを社会的遠隔医療システムに統合することで、診断精度と治療結果が向上する。

関連論文リスト

• A Multimodal Approach to The Detection and Classification of Skin Diseases [0.5755004576310334]
  多くの疾患は、皮膚に多くの身体症状があるとしても、未診断で未治療のまま残されている。 AIの台頭により、自己診断と疾患認識の改善がこれまで以上に有望になった。 本研究は、皮膚疾患分類のための画像およびテキストを介して、容易に利用でき、容易にアクセス可能な患者情報を含む。
  論文  参考訳（メタデータ） (2024-11-21T05:27:42Z)
• Enhancing Multi-Class Disease Classification: Neoplasms, Cardiovascular, Nervous System, and Digestive Disorders Using Advanced LLMs [0.0]
  BioBERTは、医学データに基づいて事前訓練され、医用テキスト分類において優れた性能を示した。 BERTの軽量バージョンに基づくカスタムモデルであるXLNetも87.10%の精度で競合した。
  論文  参考訳（メタデータ） (2024-11-19T18:27:25Z)
• 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)
• Digital Diagnostics: The Potential Of Large Language Models In Recognizing Symptoms Of Common Illnesses [0.2995925627097048]
  本研究は,患者症状を解釈し,一般的な疾患に適合する診断を判定することにより,各モデルの診断能力を評価する。 GPT-4は、医療データに基づくトレーニングの深部および完全な履歴から高い診断精度を示す。 Geminiは、病気のトリアージにおいて重要なツールとして高い精度で実行し、信頼性のあるモデルになる可能性を示している。
  論文  参考訳（メタデータ） (2024-05-09T15:12:24Z)
• A Spectrum Evaluation Benchmark for Medical Multi-Modal Large Language Models [57.88111980149541]
  Asclepiusは、Med-MLLMの異なる医学的特長と診断能力で評価する、新しいMed-MLLMベンチマークである。 3つの基本原則に基づいて、アスクレピウスは15の医療専門分野を包括的に評価する。 また、6つのMed-MLLMの詳細な分析を行い、3人の専門家と比較した。
  論文  参考訳（メタデータ） (2024-02-17T08:04:23Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• Health-LLM: Personalized Retrieval-Augmented Disease Prediction System [43.91623010448573]
  本稿では,大規模特徴抽出と医療知識トレードオフスコアリングを組み合わせた,革新的なフレームワークHeath-LLMを提案する。 従来の健康管理アプリケーションと比較して,本システムには3つの利点がある。
  論文  参考訳（メタデータ） (2024-02-01T16:40:32Z)
• MedAlign: A Clinician-Generated Dataset for Instruction Following with Electronic Medical Records [60.35217378132709]
  大型言語モデル(LLM)は、人間レベルの流布で自然言語の指示に従うことができる。 医療のための現実的なテキスト生成タスクにおけるLCMの評価は依然として困難である。 我々は、EHRデータのための983の自然言語命令のベンチマークデータセットであるMedAlignを紹介する。
  論文  参考訳（メタデータ） (2023-08-27T12:24:39Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Word-level Text Highlighting of Medical Texts forTelehealth Services [0.0]
  本研究の目的は,異なるテキストハイライト技術が関連する医療状況をどのように捉えることができるかを示すことである。 3つの異なる単語レベルのテキストハイライト手法を実装し評価する。 実験の結果、ニューラルネットワークアプローチは医療関連用語の強調に成功していることがわかった。
  論文  参考訳（メタデータ） (2021-05-21T15:13:54Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。