人类在循环中:将医学专家的输入嵌入到临床应用的大型语言模型中
Pedram Golnari1, Katrina Prantzalos1, Dipak Upadhyaya1
1Department of Population and Quantitative Health Sciences, Case Western Reserve University, Cleveland, OH 44106 USA.
Studies in health technology and informatics
|August 8, 2025
概括
生物医学本体学增强了医疗NLP的大型语言模型 (LLM). 整合专家知识,比如对于德拉维特综合征的病本体学,可以提高复杂医疗应用中的LLM准确性.
科学领域:
- 生物医学信息学是生物医学信息学.
- 医学中的人工智能
背景情况:
- 大型语言模型 (LLM) 在医学自然语言处理 (NLP) 中表现有前途.
- 优化LLM需要有效整合人类医学专业知识.
- 当前的应用程序经常强调需要提高准确性和一致性.
研究的目的:
- 引入一种使用生物医学本体学的新方法,以提高生物医学NLP的LLM绩效.
- 为了证明专门的本体学的有效性,以提高罕见的儿科,德拉维特综合征的LLM准确性.
- 建立一种新方法,将人类专业知识整合到高精度医疗应用的LLM中.
主要方法:
- 开发和应用一个独特的形本体学.
- 整合本体论作为LLMs的知识模型.
- 专注于生物医学NLP任务,特别是与德拉维特综合征相关.
主要成果:
- 使用生物医学本体学的LLM绩效显著改善.
- 在处理与德拉维特综合征相关的信息方面表现出更高的准确性.
- 验证了基于本体学的方法,以优化专业医疗领域的LLM.
结论:
- 生物医学本体学提供了一个强大的机制,可以将人类的专业知识整合到LLMs中.
- 这种方法在医学NLP应用中带来了更准确和更一致的结果.
- 该研究为医疗保健领域的先进,专家知情的LLM铺平了道路.
