本文探索引入大语言模型(Large Language Models,LLM)辅助医学AI案例教学,提出“生成式对话+案例思辨”的教学模式。该模式通过GPT模型支持的多角色情境重建与自然语言交互,鼓励学生从医生、患者、工程师等多维视角出发,深入分析医学AI...本文探索引入大语言模型(Large Language Models,LLM)辅助医学AI案例教学,提出“生成式对话+案例思辨”的教学模式。该模式通过GPT模型支持的多角色情境重建与自然语言交互,鼓励学生从医生、患者、工程师等多维视角出发,深入分析医学AI案例的技术合理性、应用边界与伦理挑战。教学实践以疾病辅助诊疗任务为例,设计包括案例提供、角色扮演、对话生成与问题拓展等的教学流程,并结合学生学习产出与调查问卷反馈,评估其在促进批判性思维、问题意识与AI工具使用能力方面的成效。结果表明,该模式显著提升了学生对医学AI复杂问题的理解深度与探究主动性,为医学人工智能课程改革与教学创新提供了有益参考。展开更多
目的利用大语言模型(Large Language Model,LLM)进行电子病历文本结构化,验证LLM在文本结构化方面的优越性。方法采用百度的文心一言,依据优化后的提示语,通过Python调用LLM应用程序编程接口的方式进行电子病历文本结构化,从而得到结构...目的利用大语言模型(Large Language Model,LLM)进行电子病历文本结构化,验证LLM在文本结构化方面的优越性。方法采用百度的文心一言,依据优化后的提示语,通过Python调用LLM应用程序编程接口的方式进行电子病历文本结构化,从而得到结构化特征。将提取无误的特征数与提取出的所有特征数之比定为提取准确度,用以评价LLM进行文本结构化的性能。结果对100份脑卒中患者的电子病历进行文本结构化,按病历统计,平均电子病历文本的每份提取准确度为98.7%,精准度为97.5%,召回率为98.9%;按特征词统计,所有特征词的平均提取准确度、精准度和召回率分别为98.7%、96.4%和98.6%;按特征大类统计,症状、既往史、用药和诊断结果的提取准确度分别为99.3%、98.0%、98.8%和100%。结论利用LLM进行电子病历文本结构化具有可行性,百度的文心一言在电子病历文本结构化中具有优越性。展开更多
文摘本文探索引入大语言模型(Large Language Models,LLM)辅助医学AI案例教学,提出“生成式对话+案例思辨”的教学模式。该模式通过GPT模型支持的多角色情境重建与自然语言交互,鼓励学生从医生、患者、工程师等多维视角出发,深入分析医学AI案例的技术合理性、应用边界与伦理挑战。教学实践以疾病辅助诊疗任务为例,设计包括案例提供、角色扮演、对话生成与问题拓展等的教学流程,并结合学生学习产出与调查问卷反馈,评估其在促进批判性思维、问题意识与AI工具使用能力方面的成效。结果表明,该模式显著提升了学生对医学AI复杂问题的理解深度与探究主动性,为医学人工智能课程改革与教学创新提供了有益参考。
文摘目的利用大语言模型(Large Language Model,LLM)进行电子病历文本结构化,验证LLM在文本结构化方面的优越性。方法采用百度的文心一言,依据优化后的提示语,通过Python调用LLM应用程序编程接口的方式进行电子病历文本结构化,从而得到结构化特征。将提取无误的特征数与提取出的所有特征数之比定为提取准确度,用以评价LLM进行文本结构化的性能。结果对100份脑卒中患者的电子病历进行文本结构化,按病历统计,平均电子病历文本的每份提取准确度为98.7%,精准度为97.5%,召回率为98.9%;按特征词统计,所有特征词的平均提取准确度、精准度和召回率分别为98.7%、96.4%和98.6%;按特征大类统计,症状、既往史、用药和诊断结果的提取准确度分别为99.3%、98.0%、98.8%和100%。结论利用LLM进行电子病历文本结构化具有可行性,百度的文心一言在电子病历文本结构化中具有优越性。
