Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Qualitative Analysis01:10

Qualitative Analysis

674
Qualitative analysis is the process of identifying elements, ions, or compounds in an unknown sample. It is the first and most fundamental type of analysis based on the hierarchy of analytical goals. This hierarchy is significant as it provides a structured approach to scientific research, with qualitative analysis serving as the initial step, providing essential information before moving on to quantitative or other forms of analysis.
There are two main approaches to qualitative analysis:...
674

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

A S.C.O.R.E. framework for evaluating open-ended responses from large language models in healthcare.

Cell reports. Medicine·2026
Same author

Regional and temporal trends in antimicrobial susceptibility among isolates from bacterial keratitis: a systematic review and meta-analysis.

The Lancet. Microbe·2026
Same author

Corrigendum to "Oculomics and AI: The eye as a biomarker for health span" [Asia-Pac J Ophthalmol 15 (1) (2026) 100282].

Asia-Pacific journal of ophthalmology (Philadelphia, Pa.)·2026
Same author

AI-induced never-skilling in medical education.

Nature medicine·2026
Same author

How to meaningfully evaluate AI in clinical medicine.

Nature medicine·2026
Same author

Application of artificial intelligence and robotics in ophthalmic practice.

Asia-Pacific journal of ophthalmology (Philadelphia, Pa.)·2026

Video Experimental Relacionado

Updated: Sep 9, 2025

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

680

Evaluación de los grandes modelos de lenguaje oftalmológico: métodos cuantitativos frente a los cualitativos

Ting Fang Tan1, Arun J Thirunavukarasu2, Chrystie Quek1

  • 1Singapore National Eye Centre, Singapore Eye Research Institute, Singapore, Singapore.

Current opinion in ophthalmology
|September 5, 2025
PubMed
Resumen

La evaluación de los grandes modelos de lenguaje (LLM) y la inteligencia artificial generativa (IA) en oftalmología requiere diversas métricas más allá de la precisión. Los puntos de referencia estandarizados y los conjuntos de datos seleccionados son cruciales para una validación e integración clínicas sólidas.

Palabras clave:
El GPTLa evaluaciónInteligencia artificial generativagrandes modelos de lenguajeOftalmología

Más Videos Relacionados

A Method to Quantify Visual Information Processing in Children Using Eye Tracking
09:47

A Method to Quantify Visual Information Processing in Children Using Eye Tracking

Published on: July 9, 2016

17.6K
Author Spotlight: Quantifying Rough Eye Phenotypes in Drosophila Models of Amyotrophic Lateral Sclerosis with Frontotemporal Dementia
05:25

Author Spotlight: Quantifying Rough Eye Phenotypes in Drosophila Models of Amyotrophic Lateral Sclerosis with Frontotemporal Dementia

Published on: October 4, 2024

1.0K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

680
A Method to Quantify Visual Information Processing in Children Using Eye Tracking
09:47

A Method to Quantify Visual Information Processing in Children Using Eye Tracking

Published on: July 9, 2016

17.6K
Author Spotlight: Quantifying Rough Eye Phenotypes in Drosophila Models of Amyotrophic Lateral Sclerosis with Frontotemporal Dementia
05:25

Author Spotlight: Quantifying Rough Eye Phenotypes in Drosophila Models of Amyotrophic Lateral Sclerosis with Frontotemporal Dementia

Published on: October 4, 2024

1.0K

Área de la Ciencia:

  • Oftalmología
  • Inteligencia artificial
  • La informática médica

Sus antecedentes:

  • Los modelos de lenguaje grande (LLM) y la inteligencia artificial generativa (IA) se aplican cada vez más en oftalmología clínica.
  • Evaluar el rendimiento de estas herramientas de IA es fundamental para su integración segura y efectiva en la atención médica.
  • Los métodos de evaluación actuales a menudo se centran únicamente en la precisión, pasando por alto potencialmente otros aspectos cruciales del rendimiento de la IA.

Objetivo del estudio:

  • Revisar y resaltar la importancia de las métricas de evaluación para LLM y las aplicaciones generativas de IA en oftalmología.
  • Discutir las métricas de evaluación cuantitativas y cualitativas comúnmente adoptadas.
  • Identificar los desafíos que obstaculizan la evaluación robusta de la IA en este ámbito.

Principales métodos:

  • Revisión sistemática de la literatura existente sobre la evaluación de LLM y AI en oftalmología.
  • Análisis de las métricas cuantitativas y cualitativas utilizadas en estudios publicados.
  • Identificación de desafíos y limitaciones comunes en las prácticas de evaluación actuales.

Principales resultados:

  • La IA generativa muestra un rendimiento prometedor en varias aplicaciones clínicas de oftalmología.
  • Más allá de la precisión, las métricas cuantitativas y cualitativas ofrecen una evaluación más completa de los resultados de LLM.
  • Los principales desafíos incluyen la falta de puntos de referencia estandarizados y la disponibilidad limitada de conjuntos de datos clínicos de alta calidad.

Conclusiones:

  • Existe un espectro de métricas de evaluación, pero carece de estandarización.
  • Es esencial abordar los desafíos en la curaduría de conjuntos de datos y el desarrollo de índices de referencia.
  • La evaluación robusta y específica del dominio es crucial para validar las aplicaciones clínicas de la IA y facilitar su integración en la práctica oftalmológica.