MAPress
ترجمه فارسی مقاله تقطیر داده های مصنوعی استخراج اطلاعات بالینی را در مقیاس امکان پذیر می کند

ترجمه فارسی مقاله تقطیر داده های مصنوعی استخراج اطلاعات بالینی را در مقیاس امکان پذیر می کند

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Synthetic Data Distillation Enables the Extraction of Clinical Information at Scale
عنوان مقاله به فارسی تقطیر داده های مصنوعی استخراج اطلاعات بالینی را در مقیاس امکان پذیر می کند
نویسندگان Elizabeth Geena Woo, ProfileMichael C. Burkhart, Emily Alsentzer, ProfileBrett K Beaulieu-Jones
فرمت مقاله انگلیسی PDF
تعداد صفحات 28
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Health Informatics انفورماتیک سلامتی

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Large-language models (LLMs) have shown promising potential for extracting information from clinical notes. Deploying these models at scale can be challenging due to high computational costs, regulatory constraints, and privacy concerns. To address these challenges, we used synthetic data distillation to fine-tune smaller, open-source LLMs that achieve performance similar to that of larger models, including the teacher model. These smaller models can be run on less expensive local hardware or at a vastly reduced cost in cloud deployments. In this study, we used Llama-3.1-70B-Instruct to generate synthetic training examples in the form of question-answer pairs along with supporting information and model-assigned difficulty scores. These synthetic examples were used to fine-tune the smaller Llama-3.1-8B-Instruct model. We evaluated the performance of these models on an annotated synthetic dataset resembling clinical trial criteria, the i2b2 2018 Clinical Trial Eligibility Challenge, and clinical notes reflecting the clinical trial for apixaban. The fine-tuned models outperformed the 8B-Instruct model on all tasks and in some cases even exceeded the performance of the larger 70B-Instruct model. This work demonstrates the potential of synthetic data distillation to enable more scalable and efficient clinical information extraction, which could be applied toward improving accuracy and efficiency of patient phenotyping and clinical-trial matching.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ به زبان (LLM) پتانسیل امیدوار کننده ای برای استخراج اطلاعات از نت های بالینی نشان داده اند.استفاده از این مدل ها در مقیاس به دلیل هزینه های محاسباتی بالا ، محدودیت های نظارتی و نگرانی های مربوط به حریم خصوصی می تواند چالش برانگیز باشد.برای پرداختن به این چالش ها ، ما از تقطیر داده های مصنوعی برای تنظیم دقیق LLM های کوچکتر و منبع باز استفاده کردیم که به عملکرد مشابه مدل های بزرگتر ، از جمله مدل معلم دست می یابند.این مدل های کوچکتر را می توان با سخت افزار محلی کم هزینه یا با هزینه بسیار کاهش یافته در استقرار ابر اجرا کرد.در این مطالعه ، ما از LLAMA-3.1-70B- برای تولید نمونه های آموزش مصنوعی در قالب جفت های پاسخ به همراه با اطلاعات پشتیبانی و نمرات دشواری با مدل استفاده کردیم.این نمونه های مصنوعی برای تنظیم دقیق مدل کوچکتر LLAMA-3.1-8B- استفاده شد.ما عملکرد این مدلها را در یک مجموعه داده مصنوعی حاشیه نویسی شبیه به معیارهای کارآزمایی بالینی ، چالش واجد شرایط بودن کارآزمایی بالینی I2B2 2018 و یادداشت های بالینی منعکس کننده کارآزمایی بالینی برای آپیکسان ارزیابی کردیم.مدل های تنظیم شده دقیق از مدل اعلامیه 8B در کلیه کارها فراتر رفته و در برخی موارد حتی از عملکرد مدل بزرگتر 70B فراتر رفته است.این کار پتانسیل تقطیر داده های مصنوعی را نشان می دهد تا استخراج اطلاعات بالینی مقیاس پذیر تر و کارآمدتر باشد ، که می تواند در جهت بهبود دقت و کارآیی فنوتیپ بیمار و تطبیق کلینیکی استفاده شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.