大语言模型基本医学能力及其在脑血管病等临床应用上的研究进展

近年来,大语言模型在通用领域涌现出了惊人的智慧能力,并快速在各行业得到了广泛而有效的应用。然而,临床医学领域由于专业性强、场景复杂,大语言模型能否提供准确、可靠、高效的医疗服务,目前还没有形成一致性的结论。本研究从以下几个方面对大语言模型在临床医学中的研究进展进行综述:医学知识和基本医学能力评测情况;临床场景特定能力方面的研究进展;脑血管病等临床疾病及相关临床应用方面的研究进展。

基于人工智能的病案首页智能编码技术研究与应用

目的:设计病案首页智能辅助编码系统,实现该系统与病案管理系统的对接,提高编码效率和编码准确率。方法:构建两个阶段的编码技术框架,先通过TF-IDF、编辑距离等文本计算方法进行快速的粗编码,以获得疾病诊断的多个候选码,再通过张量图神经网络方法关联更加详细的信息进行精编码,最终获得最优编码推荐。结果:相比于人工编码,病案首页智能辅助编码系统能够在保证编码准确性的同时,提高病案室专业编码人员的编码效率。结论:利用人工智能技术,通过人机耦合的方式能够有效提高住院病案首页的编码效率和编码准确率,进而提高住院病案首页的填写质量。

结构特征强化的高效马尔可夫随机场社团发现方法

社团发现是非常重要的网络数据分析任务.统计模型类社团发现方法由于具有坚实的理论基础和优越的性能,因此越来越被人们关注.然而,已有社团发现模型一般都基于有向概率图模型,作为无向概率图模型的马尔可夫随机场极少被用于社团发现领域.2018年我们提出了一个网络导向的马尔可夫随机场模型NetMRF,该模型虽具有良好的性能,但仍存在如下问题:(1)NetMRF的能量函数不够完整,缺少往往在MRF中起主导作用的单点势函数,仅采用了常被视为起辅助作用的成对势函数对社团进行描述;(2)也正因为如此,为了使成对势函数能有效建模网络中不规则的拓扑信息,NetMRF采用了复杂的三层全连接马尔可夫随机场结构,这虽会增强其描述能力,却给推断算法带来了O(n3)级时间复杂度,n为网络节点数.本文针对上述问题对NetMRF进行改进.首先基于网络嵌入方法,结合吉布斯分布设计有效的单点势函数,解决了NetMRF能量函数不完整的缺陷;进而通过对成对势函数结构的有效稀疏化,缓解了其效率不高的问题;从而构建了一个高精度、近线性的马尔可夫随机场新模型iMRF.本文采用"最大化-加和"版本的信念传播算法对iMRF进行推断,通过最大化联合后验概率获得最优的社团配置.在两组人工网络和20个真实网络上,我们将iMRF与6个统计模型类社团发现方法(包含NetMRF)进行比较,结果显示iMRF的平均精度高于对比算法2.6%~12.9%;iMRF的平均运行速度在对比算法中也名列前茅,尤其是对于大规模网络具有更强的处理能力.

基于置信传播的复杂网络社团发现算法

经典的置信传播(BP)算法能够通过有限次数的迭代,推断出所有节点的边缘概率分布和最大似然概率。针对该算法在迭代过程中产生的影响精度和收敛速度的强烈震荡,找出了造成震荡的三个主要因素:强势能、紧密的环路和矛盾的方向,并有针对性地改进了该算法的核心更新规则;同时又进一步提出了异步消息传递方式,克服传统置信传播算法采用的同步消息传播方式的收敛慢、效率低等缺点。利用随机块模型拟合网络的生成过程,利用经典的期望最大化算法对模型进行求解,分别利用改进前后的置信传播算法推断隐变量的后验概率。在五个真实网络上的实验表明,两个改进均使得精度和速度不同程度地提高。