論文の概要: Large Language Models for Healthcare Text Classification: A Systematic Review

• arxiv url: http://arxiv.org/abs/2503.01159v1
• Date: Mon, 03 Mar 2025 04:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:20:23.249012
• Title: Large Language Models for Healthcare Text Classification: A Systematic Review
• Title（参考訳）: 医療テキスト分類のための大規模言語モデル : 体系的レビュー
• Authors: Hajar Sakai, Sarah S. Lam,
• Abstract要約: 大規模言語モデル(LLM)は、自然言語処理(NLP)のアプローチを根本的に変えた。 医療分野では、臨床ノートの分析、診断コーディング、その他のタスクにおいて、正確で費用効率のよいテキスト分類が不可欠である。 医療用テキストの自動分類にLLMを活用するために多くの研究がなされている。
• 参考スコア（独自算出の注目度）: 4.8342038441006805
• License:
• Abstract: Large Language Models (LLMs) have fundamentally transformed approaches to Natural Language Processing (NLP) tasks across diverse domains. In healthcare, accurate and cost-efficient text classification is crucial, whether for clinical notes analysis, diagnosis coding, or any other task, and LLMs present promising potential. Text classification has always faced multiple challenges, including manual annotation for training, handling imbalanced data, and developing scalable approaches. With healthcare, additional challenges are added, particularly the critical need to preserve patients' data privacy and the complexity of the medical terminology. Numerous studies have been conducted to leverage LLMs for automated healthcare text classification and contrast the results with existing machine learning-based methods where embedding, annotation, and training are traditionally required. Existing systematic reviews about LLMs either do not specialize in text classification or do not focus on the healthcare domain. This research synthesizes and critically evaluates the current evidence found in the literature regarding the use of LLMs for text classification in a healthcare setting. Major databases (e.g., Google Scholar, Scopus, PubMed, Science Direct) and other resources were queried, which focused on the papers published between 2018 and 2024 within the framework of PRISMA guidelines, which resulted in 65 eligible research articles. These were categorized by text classification type (e.g., binary classification, multi-label classification), application (e.g., clinical decision support, public health and opinion analysis), methodology, type of healthcare text, and metrics used for evaluation and validation. This review reveals the existing gaps in the literature and suggests future research lines that can be investigated and explored.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、さまざまな領域にわたる自然言語処理(NLP)タスクに対するアプローチを根本的に変えてきた。 医療においては、臨床ノート分析、診断コーディング、その他のタスクにおいて、正確で費用効率のよいテキスト分類が不可欠であり、LCMは有望な可能性を示す。 テキスト分類は常に、トレーニングのための手動アノテーション、不均衡なデータを扱うこと、スケーラブルなアプローチの開発など、複数の課題に直面している。 医療では、特に患者のデータのプライバシーと医療用語の複雑さを維持するために重要な課題が加えられる。 医療テキストの自動分類にLLMを活用するために多くの研究が行われ、従来の埋め込み、アノテーション、トレーニングを必要とする既存の機械学習ベースの手法と対比されている。 LLMに関する既存の体系的なレビューは、テキスト分類を専門としないか、医療分野に重点を置いていない。 本研究は、医療現場におけるテキスト分類におけるLSMの使用に関する文献にみられる証拠を合成し、批判的に評価する。 主要なデータベース(Google Scholar、Scoops、PubMed、Science Directなど)とその他のリソースがクエリされ、2018年から2024年にかけて発行された論文をPRISMAガイドラインのフレームワークに焦点が当てられ、65の論文が提出された。 これらは、テキスト分類タイプ(バイナリ分類、複数ラベル分類)、アプリケーション(例えば、臨床決定支援、公衆衛生と意見分析)、方法論、医療テキストの種類、評価と検証に使用されるメトリクスに分類された。 本稿では,文献の既存のギャップを明らかにするとともに,今後の研究線について検討・検討することを提案する。

関連論文リスト

• Exploring Large Language Models in Healthcare: Insights into Corpora Sources, Customization Strategies, and Evaluation Metrics [21.114147435973468]
  本研究では,医療におけるLarge Language Models(LLMs)の使用について,トレーニングコーパス,カスタマイズ技術,評価指標を中心に検討した。 臨床リソース,文献,オープンソースデータセット,Webcrawled dataの4種類のコーパスが使用された。 検証されていないデータや構造化されていないデータへの依存は、エビデンスベースの臨床ガイドラインのより良い統合の必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-02-17T14:53:23Z)
• 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)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• A Comprehensive Survey on Evaluating Large Language Model Applications in the Medical Industry [2.1717945745027425]
  大規模言語モデル(LLM)は、言語理解と生成の高度な能力で様々な産業に影響を与えている。 この包括的調査は、医療におけるLSMの広範な適用と必要な評価を概説する。 本調査は,臨床環境,医療用テキストデータ処理,研究,教育,公衆衛生への意識といった分野におけるLCM応用の詳細な分析を行うために構成されている。
  論文  参考訳（メタデータ） (2024-04-24T09:55:24Z)
• Attribute Structuring Improves LLM-Based Evaluation of Clinical Text Summaries [56.31117605097345]
  大規模言語モデル(LLM)は、正確な臨床テキスト要約を生成する可能性を示しているが、根拠付けと評価に関する問題に苦慮している。 本稿では、要約評価プロセスを構成するAttribute Structuring(AS)を用いた一般的な緩和フレームワークについて検討する。 ASは、臨床テキスト要約における人間のアノテーションと自動メトリクスの対応性を一貫して改善する。
  論文  参考訳（メタデータ） (2024-03-01T21:59:03Z)
• Natural Language Processing in Electronic Health Records in Relation to Healthcare Decision-making: A Systematic Review [2.555168694997103]
  自然言語処理は電子健康記録から臨床知見を抽出するために広く用いられている。 注釈付きデータや自動化ツール、その他の課題の欠如は、EHRに対するNLPのフル活用を妨げる。 機械学習(ML)、ディープラーニング(DL)、NLP技術を研究し、この分野の限界と機会を包括的に理解するために比較した。
  論文  参考訳（メタデータ） (2023-06-22T12:10:41Z)
• Are Large Language Models Ready for Healthcare? A Comparative Study on Clinical Language Understanding [12.128991867050487]
  大規模言語モデル(LLM)は、医療を含む様々な分野で大きな進歩を遂げている。 本研究では,臨床言語理解タスクの領域における最先端LCMの評価を行った。
  論文  参考訳（メタデータ） (2023-04-09T16:31:47Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• A Systematic Literature Review of Automated ICD Coding and Classification Systems using Discharge Summaries [5.156484100374058]
  フリーテキスト臨床物語の体系化は、資金、保険請求処理、研究などの二次的用途に有用であると長年認識されてきた。 コードの割り当ての現在のシナリオは、非常にコストがかかり、時間がかかり、エラーが発生しやすい手作業のプロセスです。 この体系的な文献レビューは、自動化された臨床コーディングシステムの包括的概要を提供する。
  論文  参考訳（メタデータ） (2021-07-12T03:55:17Z)
• Benchmarking Automated Clinical Language Simplification: Dataset, Algorithm, and Evaluation [48.87254340298189]
  我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。 我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-04T06:09:02Z)

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。