- 博客(4)
- 收藏
- 关注
RSS订阅原创 大型语言多模态模型 使用健康记录预测新发2型糖尿病 论文精读
大语言模型只做文本方面的工作，输出文本方面的特征，与临床数据特征共同做二型糖尿病预测2型糖尿病 (T2DM) 是世界各国面临的普遍健康挑战。在本研究中，我们提出了一种新颖的大型语言多模态模型 (LLMMs) 框架，该框架整合了来自临床笔记和实验室结果的多模态数据，用于糖尿病风险预测。我们从台湾一家医院数据库中收集了 2017 年至 2021 年五年的电子健康记录 (EHRs)。此数据集包括1,420,596条临床笔记、387,392项实验室结果和1505项以上的实验室检测项目。
2024-11-17 22:45:03
879
原创 一种可解释的连续血糖监测数据建模 论文精读
由于上一节的结果，需要计算人类将建模的知识外推到语句的能力，方法是利用预先建立的模板（如表 I 所示）。该模板旨在总结分析过程中生成的原型集，由于篇幅原因，此处无法包含所有原型。所生成的文本的偏好面向目标用户（TU）（医疗保健专业人员和糖尿病患者或其亲属），并基于专家指南，同时还涉及语言上下文本身。遗憾的是，包含从分析的原型中获得的所有信息可能会导致对 TS 的重复总结，因此需要开发一个质量框架，以选择性地选择符合预定义规则的那些信息（参见表 II）。
2024-11-17 22:36:36
1054
原创 利用大型语言模型赋能时间序列分析综述 论文精读
在过去的几年中，大型语言模型（LLM）取得了显著进展，推动了人工智能和自然语言处理的巨大进步。LLM，例如OpenAI的GPT-3和Meta的Llama 2 [Touvron 等人，2023b]，不仅表现出无与伦比的能力，可以创建既连贯又与上下文相关的叙述，而且还在复杂和细致的任务中展示了其非凡的准确性和熟练程度，例如响应查询、在多种语言之间翻译句子、代码生成等等。图1：我们综述的框架受大型语言模型 (LLM) 成功启发，人们付出了大量努力来训练通用时间序列分析模型 [Wu 等人，2022；
2024-11-17 22:14:21
1080
原创 深度学习生存分析综述 论文精读
对基于深度学习的事件发生时间分析方法进行了全面的系统综述，根据生存和深度学习相关的属性对它们进行了分类。总之，所审查的方法通常只针对与事件发生时间数据相关的任务的子集研究结果：https://survival-org.github.io/DL4Survival/。
2024-11-09 10:53:14
1525
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人