面向瘤学的可扩展和跨语言的专业语言模型

科学领域:

• 在瘤学瘤学.
• 自然语言处理 (NLP) 是一种自然语言处理.
• 人工智能 (AI) 是一种人工智能.

背景情况:

• 临床瘤学数据庞大,无结构,含有不一致性,阻碍了可靠的见解.
• 一般用途的大型语言模型 (LLM) 缺乏复杂的临床数据的特定领域推理.
• 挑战包括专业术语,上下文依赖的解释和多模式数据集成.

研究的目的:

• 开发一个高效和适应性的NLP框架,专门用于瘤学.
• 解决临床瘤学数据处理中的一般LLMs的局限性.
• 通过增强数据提取和分析,改善瘤学的数据驱动决策.

主要方法:

• 结合指令调整,检索增强生成 (RAG) 和基于图形的知识集成.
• 开发了轻量级的,专注于瘤学的NLP模型.
• 使用最小的德语指令来测试跨语言知识转移.
• 在各种瘤学数据集上验证的模型.

主要成果:

• 轻量级模型在瘤学特定任务中表现出有效性,例如命名实体识别,实体链接,TNM分期,文档分类和治疗反应预测.
• 在命名实体识别,关系提取和文档分类方面取得了强的成绩.
• 在多个轻量级架构中显示一致的性能.
• 以最少的非英语数据证明成功的知识转移.

结论:

• 开发的NLP框架为临床瘤学数据提供了一种高效,适应性和资源意识的解决方案.
• 轻量级模型平衡强大的性能与降低的计算成本,适合资源有限的设置.
• 该方法增强了从复杂的临床瘤学数据中提取可靠的见解,支持基于数据的医疗保健决策.