使用大型语言模型实现自动化表型定义提取
Ramya Tekumalla1, Juan M Banda2,3
1Mercer University, Atlanta, GA, USA.
Genomics & informatics
|November 1, 2024
概括
大型语言模型可以自动提取表型定义,但需要仔细评估. 这项研究开发了一套标准的评估套件,并测试了提示方法,以提高电子表型的可靠性.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算健康 计算健康
- 人工智能在医学中的应用
背景情况:
- 电子表型分析分析各种数据以获得健康见解.
- 目前的表型定义提取是手动的,耗时的,并且无法扩展.
- 大型语言模型 (LLM) 提供了自动化,但面临着像幻觉这样的可靠性挑战.
研究的目的:
- 为LLM生成的表型定义建立一个标准的评估集.
- 评估使用LLMs提取表型定义的各种提示策略.
- 提高 LLM 输出在表型提取中的可靠性和实用性.
主要方法:
- 为表型定义开发一个标准化的评估数据集.
- 实施和测试基于LLM的提取各种提示技术.
- 对LLM生成的定义与已建立的评估任务进行评估.
主要成果:
- 在使用LLMs提取表型定义方面取得了有希望的结果.
- 开发的评估集有助于评估LLM输出的可靠性.
- 促销策略显示了提高表型提取效率的潜力.
结论:
- 基于LLM的表型提取显示了减少手动审查时间的潜力.
- 人类评估和验证对于确保准确性和安全性至关重要.
- 进一步的研究可以优化LLM提示可靠的临床应用.


