PulseAugur
中
实时 10:41:52
English(EN) Zero-Shot Multi-Disease Labeling of Chest, Abdomen, and Pelvis CT Reports Using Open-Weight Large Language Models: The Effect of Labeling Conventions

轻量级 LLM 在医学报告标注方面优于基于规则的系统

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新研究发表在 arXiv 上，评估了五种轻量级、开放权重的语言模型 (LLM) 在未经预先微调的情况下标注胸部、腹部和盆腔 CT 报告的能力。包括 MedGemma 27B 和 Gemma-3 27B 在内的 LLM，其表现优于基于规则的算法和经过微调的 RadBERT 模型。研究还强调，模型与人类标注者之间标注约定的差异显著影响了性能指标。 AI

影响 轻量级、开放权重的 LLM 在零样本医学报告分析方面显示出潜力，可能减少对广泛微调的需求。

排序理由 该集群包含一篇详细介绍 LLM 在特定领域性能研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

轻量级 LLM 在医学报告标注方面优于基于规则的系统

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Michael E. Garcia-Alcoser, Mobina Ghojoghnejad, Fakrul Islam Tushar, David Kim, Kyle J. Lafata, Geoffrey D. Rubin, Joseph Y. Lo ·

    使用开放权重的大型语言模型对胸部、腹部和盆腔 CT 报告进行零样本多疾病标注：标注约定的影响

    arXiv:2506.03259v3 Announce Type: replace Abstract: Purpose: To compare five lightweight open-weight large language models (LLMs) with a rule-based algorithm (RBA) and fine-tuned RadBERT for zero-shot labeling of chest-abdomen-pelvis (CAP) CT reports, and to examine how labeling …

相关实体

相关话题