大语言模型融合知识图谱的医学问答系统构建研究

大语言模型(LLM)具有强大的学习和推理能力,然而由于缺乏内部知识,该模型面临幻觉挑战。针对医学问答对高质量专业知识的需求,本研究提出一种大语言模型融合知识图谱的医学问答方法,并将其应用于医学科技信息知识服务平台(MedKaaS)的问答系统构建。研究表明,相比传统的知识库问答(KBQA)和新兴的基于生成式大语言模型的问答,本文所提出的大语言模型融合知识图谱的方法充分综合了二者的优势,并为医学问答提供了证据溯源支持,有效提升了医学智能问答质量和医学知识服务效果。

ChatGPT:研究进展、模型创新及医学信息研究应用场景优化

目的/意义梳理分析ChatGPT训练流程与理论模型,为医学研究提供参考借鉴。方法/过程系统梳理2018年以来GPT-1发布至今相关模型和流程文献资料,分析ChatGPT核心流程、理论模型及其创新点。根据现有资料分析ChatGPT预训练监督、自动评估以及强化学习近端策略优化(proximal policy optimization,PPO)模型3个层次技术构成。结合医学研究需求,分析人工智能技术面向医学信息领域应用的优化方向。结果/结论ChatGPT技术应用的突破是流程、算法和模型有效组合和不断迭代累积的结果,其模型及研究方法可以应用于医学文献自动化阅读与知识提取、基因研究与疾病风险评估等方面。

基于OCFL的数字资源保存文件系统设计

本文针对数据密集型科研环境下的科研数据长期保存需求,以牛津通用文件布局方法(OCFL)为基础,设计支持对象存储及版本控制的数字资源保存文件系统,并在医学大数据长期保存系统环境中进行了应用实现和效果分析。

面向医学数字资源长期保存的信息包封装模式研究

阐述3种典型的信息包封装模式基本原理并对3种模式进行对比分析。结合医学数字资源长期保存需求,提出面向语义化的医学数字资源封装模式,为长期保存仓储关联数据的形成、长期保存规划中的保存管理提供基础支撑。

数字保存中信息对象真实性的保障机制研究——以人口健康科学数据长期保存为例

从信息对象保存的生命周期不间断管理、元数据管理与监测、真实性影响因素管理3个维度对现有信息对象真实性保障模式进行梳理与归纳,立足可信数字仓储对于数字保存中信息对象真实性保障的基本要求,基于人口健康科学数据长期保存系统建设实践,从制度、技术等维度探讨涵盖人口健康科学数据提交、接收和长期保存全链条的真实性保障措施体系。

人口健康科学数据长期保存系统建设路径探析

立足人口健康科学数据长期保存需求,分析5个国外高校科学数据长期保存系统建设实践及特点,详细阐述其保存策略和技术措施,总结其在科学数据长期保存过程中的关注重点和问题,为人口健康科学数据长期保存建设路径提供参考和借鉴。

多来源医学数字资源长期保存的元数据语义化映射方法及应用

数字资源的保存面临着保存对象可理解性的挑战。面向多来源医学数字资源保存的切实需求,设计元数据语义化映射框架,通过构建数据解析模型及语义化描述转换模型,实现多来源医学数字资源的标准化和语义化。该方法有助于准确反映保存对象的元数据信息,为保存对象的长期可理解性提供了保证,可为多来源数字资源的长期保存提供参考和借鉴。