标签
本文介绍了M2G-LLM，这是一个通过图神经网络使用多模态图推理来增强大语言模型的框架，旨在利用电子健康记录改进临床预测任务。
本文提出了一个基于掩码临床语境的 SNOMED CT 概念推荐基准，比较了稀疏、密集和检索增强方法，结果显示在低资源环境中，稀疏 TF-IDF 表现最佳。
ClinAgent是一个基于ReAct的代理系统，利用代理式检索增强生成（RAG）来实现对临床试验信息的自然语言查询，并在多个大语言模型（LLM）后端进行了评估，显示出互补的优势。
本文介绍了一种完全本地化的两阶段 LLM 流水线，使用 MedGemma-27B 从临床笔记中填充病例报告表，在英文测试轨道上实现了 0.55 的宏观 F1 分数，并在本地开源提交中获得了第二名。