在瘤学中使用Llama-3自动化性能状态注释.
Irene Cara1,2, Nynke van 't Hof1,2,3, Sebastiaan Siegerink2
1Netherlands Comprehensive Cancer Organisation (IKNL), Utrecht.
Studies in health technology and informatics
|May 17, 2025
概括
这项研究表明,使用精选的示例进行少数射击学习,最好从荷兰临床笔记中提取患者表现状况. 这种自动化方法有助于分析息性癌症数据.
科学领域:
- 自然语言处理自然语言处理.
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
背景情况:
- 从临床笔记中自动提取信息对于研究至关重要.
- 荷兰的临床笔记带来了独特的语言挑战.
- 准确的患者表现状态对于息性癌症护理至关重要.
研究的目的:
- 评估从荷兰临床笔记中提取的自动化医疗信息.
- 为了比较使用Llama-3的零,一次和几次学习方法,使用Llama-3.
- 确定在息性食管胃癌中提取性能状态的最佳方法.
主要方法:
- 使用Llama-3进行自动信息提取.
- 采用零射击,一射击和少数射击的学习模式.
- 使用了ACSESS选择的例子,用于一次性和短暂的学习.
- 专注于从癌症患者的荷兰临床笔记中提取绩效状态.
主要成果:
- 不太可能的学习,特别是在ACSESS选择的例子中,表现出卓越的表现.
- 使用ACSESS选择的示例进行一次性学习也产生了强有力的结果.
- 与监督方法相比,零射击学习的表现较低.
结论:
- 短暂的学习是从荷兰临床笔记中提取绩效状态的有希望的方法.
- 选择的例子显著影响了少数射击学习模型的表现.
- 需要进一步改进,以提高自动提取模型的精度.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
1.3K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
895