开源的大型语言模型可以用于德国的瘤文档吗?-对泌尿科医生笔记的评估
Stefan Lenz1, Arsenij Ustjanzew2, Marco Jeray3
1Institute of Medical Biostatistics, Epidemiology and Informatics, University Medical Centre of the Johannes Gutenberg-University Mainz, Mainz, Germany. stefan.lenz@uni-mainz.de.
BioData mining
|July 24, 2025
概括
开源大型语言模型 (LLM) 显示出在德国实现瘤文档自动化的前景. 具有7-12亿参数的模型为临床文档任务提供了良好的性能和效率平衡.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
背景情况:
- 在德国,瘤记录是一个需要结构化数据提取的手动过程.
- 大型语言模型 (LLM) 提供了提高效率和可靠性的潜力.
- 由于数据保护法规,开源LLM适合用于临床文档.
研究的目的:
- 评估开源LLM在德国医学领域的瘤文档的性能.
- 评估LLM在解释专业医疗语言方面的能力.
- 确定LLM适用于增强临床文档流程的适用性.
主要方法:
- 评估了11个开源LLM (1-70亿参数).
- 使用了三个核心任务:瘤诊断识别,ICD-10代码分配和首次诊断日期提取.
- 利用了匿名泌尿病学笔记的注释数据集,并探索了几次射击提示策略.
主要成果:
- 拉玛3.1 8B,米斯特拉7B和米斯特拉尼莫12B的性能相似.
- 较小的模型 (<70亿参数) 和非常大的模型显示性能增长较低或没有.
- 跨领域的示例改善了几次射击的提示结果,表明了LLM的适应性.
结论:
- 开源的LLM显示了自动化瘤文档的巨大潜力.
- 7-12 亿的参数模型提供了一个最佳的性能-资源效率平衡.
- 微调和有效提示可以使LLM成为有价值的临床文档工具.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
684
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
584
