用大型语言模型进行零射击推断的比较研究,以及乳腺癌病理学分类中的监督建模
Madhumita Sushil1, Travis Zack1,2, Divneet Mandair1,2
1Bakar Computational Health Sciences Institute, University of California, San Francisco, USA.
Research square
|February 26, 2024
概括
像GPT-4这样的大型语言模型 (LLM) 可以减少临床自然语言处理 (NLP) 研究中对广泛数据注释的需求. 这些模型的性能与监督方法相比或优于监督方法,加速了研究.
科学领域:
- 计算语言学计算语言学
- 医疗信息学医学信息学
- 医疗保健中的人工智能
背景情况:
- 监督机器学习用于临床笔记信息提取需要大型,专家注释的数据集,这些数据集的创建成本高且耗时.
- 大型语言模型 (LLM) 提供了转移学习的潜力,可能减少注释负担.
结论:
- 通过尽量减少数据整理工作,LLM可以加速临床NLP研究,从而有可能增加NLP衍生变量的使用在观察性研究中.
- 虽然LLM提供了效率,但如果LLM的使用受到限制,具有丰富数据的简单监督模型可以产生可比的结果.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
558
