ترجمه فارسی مقاله MEDTSLLM: LLMS با استفاده از LLMS برای تجزیه و تحلیل سری زمانی پزشکی چند حالته

چکیده

The complexity and heterogeneity of data in many real-world applications pose significant challenges for traditional machine learning and signal processing techniques. For instance, in medicine, effective analysis of diverse physiological signals is crucial for patient monitoring and clinical decision-making and yet highly challenging. We introduce MedTsLLM, a general multimodal large language model (LLM) framework that effectively integrates time series data and rich contextual information in the form of text to analyze physiological signals, performing three tasks with clinical relevance: semantic segmentation, boundary detection, and anomaly detection in time series. These critical tasks enable deeper analysis of physiological signals and can provide actionable insights for clinicians. We utilize a reprogramming layer to align embeddings of time series patches with a pretrained LLM’s embedding space and make effective use of raw time series, in conjunction with textual context. Given the multivariate nature of medical datasets, we develop methods to handle multiple covariates. We additionally tailor the text prompt to include patient-specific information. Our model outperforms state-of-the-art baselines, including deep learning models, other LLMs, and clinical methods across multiple medical domains, specifically electrocardiograms and respiratory waveforms. MedTsLLM presents a promising step towards harnessing the power of LLMs for medical time series analysis that can elevate data-driven tools for clinicians and improve patient outcomes.

چکیده به فارسی (ترجمه ماشینی)

پیچیدگی و ناهمگونی داده ها در بسیاری از برنامه های کاربردی در دنیای واقعی چالش های مهمی برای یادگیری ماشین سنتی و تکنیک های پردازش سیگنال ایجاد می کند.به عنوان مثال ، در پزشکی ، تجزیه و تحلیل مؤثر سیگنال های فیزیولوژیکی متنوع برای نظارت بر بیمار و تصمیم گیری بالینی و در عین حال بسیار چالش برانگیز بسیار مهم است.ما MedtsLLM ، یک چارچوب کلی مدل بزرگ زبان چند حالته (LLM) را معرفی می کنیم که به طور موثری داده های سری زمانی و اطلاعات متنی غنی را در قالب متن برای تجزیه و تحلیل سیگنال های فیزیولوژیکی ، انجام سه کار با ارتباط بالینی ، تقسیم معنایی ، تشخیص مرز و تشخیص آنومالی معرفی می کند.در سریال های زمانی.این وظایف مهم تجزیه و تحلیل عمیق تر سیگنال های فیزیولوژیکی را امکان پذیر می کند و می تواند بینش های عملی برای پزشکان فراهم کند.ما از یک لایه برنامه ریزی مجدد برای تراز کردن تعبیه های تکه های سری زمانی با فضای تعبیه شده LLM از پیش استفاده می کنیم و در رابطه با متن متن ، از سری زمانی خام استفاده می کنیم.با توجه به ماهیت چند متغیره مجموعه داده های پزشکی ، ما روش هایی را برای رسیدگی به چندین متغیرهای متغیر ایجاد می کنیم.علاوه بر این ، ما متن را متناسب با اطلاعات خاص بیمار متناسب می کنیم.مدل ما از خط مقدمات پیشرفته ، از جمله مدل های یادگیری عمیق ، سایر LLM ها و روش های بالینی در حوزه های پزشکی متعدد ، به طور خاص الکتروکاردیوگرام و شکل موج تنفسی بهتر عمل می کند.Medtsllm یک گام امیدوارکننده در جهت استفاده از قدرت LLMS برای تجزیه و تحلیل سری زمانی پزشکی ارائه می دهد که می تواند ابزارهای داده محور برای پزشکان را بالا ببرد و نتایج بیمار را بهبود بخشد.