标签
MedGuards 提出了一种多智能体框架，通过专门智能体和置信度引导的仲裁机制来检测和纠正医疗文本中的错误，无需额外训练即可提升可靠性。在多语言临床记录上的实验表明，该框架带来了显著改进。
本文介绍了一个包含1,200份临床文档和9,184条不确定性标注的基准，用于评估LLMs是否能在临床文本中保持诊断不确定性，结果发现LLMs常常无法保留原始不确定性线索，且在细微区别上表现不佳。
本文介绍了ChristBERT，一个基于RoBERTa的面向德国临床NLP的领域特定语言模型家族，并在医学命名实体识别和文本分类任务上评估了三种领域适应策略（继续预训练、从头预训练和词汇适应），取得了最先进的结果。
本文提出了一种针对免疫介导和感染性疾病的专科医学语言模型，用于从临床叙述中提取信息。该模型采用BiLSTM-CNN-Char架构，在371份病例报告的精标语料库上训练，F1得分达到0.89。
提出了一种使用LangChain智能体的智能体框架，用于大规模人群心理健康筛查，重点关注从临床转录中检测抑郁症。该框架逐步锁定已验证的阶段，并使用代理引导的评估来确保可信度和适应性。