跳转到主要内容

#大语言模型

3 篇

与"大语言模型"相关的眼科资讯

学术研究

大语言模型辅助知识图谱揭示糖尿病黄斑缺血新特征

该研究通过构建基于大语言模型的知识图谱，对糖尿病黄斑缺血（DMI）的临床术语进行了深入探索，并在实际临床数据中验证了这些发现。研究团队利用生成式预训练变换器4处理了66篇相关文献，将其转化为实体-关系三元组，并使用Neo4j构建了包含2408个实体和8133个关系的知识图谱。通过对图谱的社区检测，研究人员发现了两个新的临床概念：中间视网膜层紊乱（DMIL）和退行性DMI。这些新概念有助于更全面地理解DMI的病理机制及其与视觉功能的关系。

#糖尿病黄斑缺血#知识图谱#大语言模型
PubMed Ophthalmology #1/3
READ
学术研究

联邦学习与大语言模型在眼科临床实体识别中的比较研究

临床命名实体识别（NER）是提取临床文本中结构化数据的关键技术，但跨机构的模型泛化能力一直是个难题。本研究对比了两种方法：联邦学习（FL）和大语言模型（LLM）。通过在斯坦福大学（美国）和莫菲尔德眼科医院（英国）的眼科记录中提取视力数据，使用基于BERT的模型、FL策略（FedAvg, STWT）和LLM（Llama-3-70B, Mixtral-8x7B）进行评估。结果显示，联邦学习显著提高了模型的泛化能力，其中STWT在稳定性和准确性上优于FedAvg。而大语言模型在莫菲尔德数据上表现优异，但在结构化的斯坦福数据上表现不佳。这些发现突显了联邦学习在跨机构学习中的有效性，同时也揭示了大语言模型在特定领域内的局限性。

#联邦学习#大语言模型#眼科临床实体识别
PubMed Ophthalmology #2/3
READ
学术研究

大语言模型在眼科期刊同行评审中的表现

研究对比了大语言模型（LLM）和人类审稿人在300篇眼科相关期刊稿件的同行评审过程中的表现。结果显示，人类审稿人更频繁地拒绝稿件，并且对需要重大或轻微修改的建议较少。相比之下，LLM如ChatGPT和Gemini虽然能提供一些反馈，但缺乏具体性和针对性，目前尚不能替代人类审稿人的角色。

#大语言模型#同行评审#眼科期刊
PubMed Ophthalmology #3/3
READ