使用大型语言模型在临床笔记中增强表型识别:PhenoBCBERT和PhenoGPT
Jingye Yang1,2, Cong Liu3, Wendy Deng1
1Raymond G. Perelman Center for Cellular and Molecular Therapeutics, Children's Hospital of Philadelphia, Philadelphia, PA 19104, USA.
Patterns (New York, N.Y.)
|January 24, 2024
概括
新的人工智能模型PhenoBCBERT和PhenoGPT通过扩展人类表现型本体学 (HPO) 术语来改善临床笔记中的遗传疾病表型的识别,帮助疾病研究.
科学领域:
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
- 遗传学 是一个遗传学.
背景情况:
- 人类表型本体学 (HPO) 为遗传疾病中的表型提供了一个标准化的词汇.
- 现有的表型识别工具通常在捕捉全谱表型异常方面存在局限性.
- 传统的启发式或基于规则的方法与新或复杂的现象型描述作斗争.
研究的目的:
- 在临床笔记中开发自动化表型识别的先进模型.
- 使用大型语言模型扩大人类现象型本体学 (HPO) 术语的词汇.
- 改善已知和以前未被描述的表型概念的检测.
主要方法:
- 开发了两个新型模型:PhenoBCBERT (基于BERT) 和PhenoGPT (基于GPT).
- 利用大型语言模型自动检测和从临床文本中扩展HPO术语.
- 与现有工具 (如PhenoTagger) 进行比较分析.
- 通过生物医学文献的案例研究进行评估,并评估模型架构和准确性.
主要成果:
- 与现有的工具相比,PhenoBCBERT和PhenoGPT确定了更广泛的表型概念.
- 这些模型成功地检测出了目前HPO词汇中不存在的表型.
- 在涉及生物医学文献的案例研究中表现强.
- 对比分析突出了基于BERT和GPT架构的优缺点.
结论:
- 开发的模型显著增强了从临床文本中自动化表型检测.
- 这些进展提高了在遗传疾病中表型识别的准确性和全面性.
- 这些模型为人类疾病研究和理解提供了更强大的下游分析.
关键词:
贝尔特 (BERT) 公司在 GPT 中,GPT 必须是 GPT.人类现象型本体学临床注意事项 临床注意事项电子健康记录是电子健康记录.命名实体的认可 命名实体的认可变压器的变压器是一个变压器.更多相关视频
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
15.9K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K