CN117038095A - 基于向量数据库的麻醉知识检索方法、设备和存储介质 - Google Patents
基于向量数据库的麻醉知识检索方法、设备和存储介质 Download PDFInfo
- Publication number
- CN117038095A CN117038095A CN202311036472.8A CN202311036472A CN117038095A CN 117038095 A CN117038095 A CN 117038095A CN 202311036472 A CN202311036472 A CN 202311036472A CN 117038095 A CN117038095 A CN 117038095A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- anesthesia
- model
- clinical
- vector database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 96
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 96
- 239000013598 vector Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000003444 anaesthetic effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于向量数据库的麻醉知识检索方法、设备和存储介质。该基于向量数据库的麻醉知识检索方法包括:步骤1、基于大规模临床麻醉语料库以及临床麻醉医师专家经验,构造领域知识库;步骤2、利用领域知识库和开源预训练模型训练临床麻醉领域知识模型;步骤3、基于训练好的临床麻醉领域知识模型,对领域知识库进行向量编码,保存至向量数据库;步骤4、面对突发的临床事件,构建提示信息并结合向量数据库的知识,由临床麻醉领域知识模型产出相应解析。该基于向量数据库的麻醉知识检索方法大大提升了检索的速度和精度,有效辅助医师进行决策,保证麻醉的成功率,降低医疗风险。
Description
技术领域
本发明涉及计算机应用和临床麻醉辅助技术领域,具体地,涉及一种基于向量数据库的麻醉知识检索方法、设备和存储介质。
背景技术
现代医疗中,外科手术的顺利进行离不开麻醉医师对患者生命的保驾护航。临床麻醉专注于消除患者疼痛、保障患者的生命健康,如今已成为保障外科手术顺利进行不可或缺的一部分。
但是,培养麻醉医师需要较高的时间成本,培养一位合格的麻醉医师往往需要10-15年时间。这使得临床麻醉领域呈现人才短缺的情况,麻醉人才缺口高达25-30万人。鉴于此,麻醉医师往往有高于普通医生的工作负担,长时间诊疗护理工作的乏味使得麻醉医生疲劳倦怠,难以时刻保持理性清醒,致使潜在医疗风险的不确定性大大增加。
目前,临床麻醉领域主要完成了信息化的阶段,所使用的医疗设备和系统主要关注麻醉过程中数据的记录、存储和管理,以提高麻醉过程的准确性、可追溯性和数据分析能力。但是,信息化的临床麻醉系统同样不能解决麻醉医师高工作负载的核心问题:其一,麻醉医师需要耗费大量精力关注多块显示屏,监测多项生命指标;其二,麻醉医师只能凭借个人有限的知识与经验应对临床突发应急情况。考虑到不同麻醉医生的工作年限、专业技能与临床经验皆不尽相同,这进一步加剧了各地区医疗资源供给量分布不平衡的问题。
因此,需要提供一种基于向量数据库的麻醉知识检索方法来解决上述技术难题。
发明内容
本发明的目的是提供一种基于向量数据库的麻醉知识检索方法、设备和存储介质,该基于向量数据库的麻醉知识检索方法大大提升了检索的速度和精度,有效辅助医师进行决策,保证麻醉的成功率,降低医疗风险。
为了实现上述目的,本发明第一方面提供了一种基于向量数据库的麻醉知识检索方法,该基于向量数据库的麻醉知识检索方法包括:
步骤1、基于大规模临床麻醉语料库以及临床麻醉医师专家经验,构造领域知识库;
步骤2、利用领域知识库和开源预训练模型训练临床麻醉领域知识模型;
步骤3、基于训练好的临床麻醉领域知识模型,对领域知识库进行向量编码,保存至向量数据库;
步骤4、面对突发的临床事件,构建提示信息并结合向量数据库的知识,由临床麻醉领域知识模型产出相应解析。
优选地,在步骤1中,使用现有的临床麻醉专业知识教科书作为语料库,并基于文本长度将其划分为等长的文本段,获得领域知识库中的静态知识部分X=[x1,x2,...,xN],其中,N为静态知识的总条目数,x_i为一定长度的文本段。
优选地,步骤1中还采集了多例临床麻醉医师专家的临床经验,组织为领域知识库中的问答知识部分M=[m1,m2,...,mK],其中,K为问答知识的总条目数,mi={qi,ai}是一个问题-分析对,代表专家对于某个常见问题的分析。
优选地,在步骤2中选择基于开源预训练语言模型ChatGLM作为基座模型B进行增量训练;其中,ChatGLM是一个在海量多来源的自然语言上训练好的模型,其能够根据向其输入的自然语言进行后续文本的补写。
优选地,增量训练过程包括基于麻醉领域知识库的增量预训练和问答微调两个阶段,其中,
在增量预训练阶段,使用步骤1中构建好的领域知识库中的静态知识部分X作为模型的训练数据,进行如下训练:
对于X中的每一条静态知识xi,将其整体送入到模型B中,并通过随机梯度下降算法使模型的输出朝着xi自身进行优化,也即使模型根据xi中的第j个字符预测第j+1个字符;当优化结束时,基座模型能够初步掌握知识库中的静态知识并将其还原出来;
在问答微调阶段,使用步骤1中构建好的领域知识库中的问答知识部分M作为训练数据,进行如下训练:
对于M中各每一对问答对mi,将其问题部分qi送入到模型B中,并通过随机梯度下降算法使模型的输出朝着回答部分ai进行优化;当优化结束时,基座模型具备临床麻醉知识的问答能力,能够根据输入的问题进行相应的解析。
优选地,步骤3包括:利用步骤2中训练好的临床麻醉领域知识模型B,将领域知识库中的静态知识部分X编码为N个高维的向量V=[v1,v2,...,vN]存储于数据库中;
具体地,对于X中的每一条静态知识xi,将其整体送入到模型B中,经过模型编码得到对应的高位表征vi,也即
vi=B(xi)
其中,B(xi)代表用模型对文本进行编码的过程,而vi是这条静态知识的高维向量表征;
基于得到的表征,通过键-值对存储的方式将知识以向量的形式存储在计算机中,得到最终的向量数据库。
优选地,在步骤4中,基于前三个步骤构建好临床麻醉领域知识模型以及向量数据库,采用提示对话的方式来实现麻醉知识的检索:
对于临床事件问题描述d,首先利用临床麻醉知识模型将其编码为对应的表征向量vd,并在向量数据库中进行top-k相似知识的检索;其中,选择k=3以取得准确性和效率的权衡;此外,采用k-近邻的算法进行相似知识检索;
基于向量数据库的检索结果,根据问题描述获取到知识库中最为接近的k个知识点对应的自然文本描述;此后,将临床事件问题描述、知识点自然文本描述统一组织为一段问题文本qd作为提示信息,送入到临床麻醉知识模型B中;根据步骤2中问答微调的方案,模型最终的输出文本视为是针对问题d,模型在海量知识库中进行知识检索而得到的最终结果。
优选地,步骤4中相应的知识检索的结果以对话的形式展示给麻醉医师以实现交互。
本发明第二方面提供一种基于向量数据库的麻醉知识检索设备,该基于向量数据库的麻醉知识检索设备包括:存储器和至少一个处理器,存储器中存储有指令,存储器和至少一个处理器通过线路互连;至少一个处理器调用存储器中的指令,以使得基于向量数据库的麻醉知识检索设备执行如上的基于向量数据库的麻醉知识检索方法的步骤。
本发明第三方面提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上的基于向量数据库的麻醉知识检索方法的步骤。
根据上述技术方案,本发明基于大规模的临床麻醉语料库,训练出特定的领域知识模型;而后基于向量数据库技术,针对发生的临床事件检索出对应的知识以辅助医师进行决策。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是根据本发明提供的基于向量数据库的麻醉知识检索方法的整体流程示意图;
图2是根据本发明提供的基于向量数据库的麻醉知识检索方法中训练和使用的流程示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
参见图1和图2,本发明提供一种基于向量数据库的麻醉知识检索方法,该基于向量数据库的麻醉知识检索方法包括:
步骤1、基于大规模临床麻醉语料库以及临床麻醉医师专家经验,构造领域知识库;
步骤2、利用领域知识库和开源预训练模型训练临床麻醉领域知识模型;
步骤3、基于训练好的临床麻醉领域知识模型,对领域知识库进行向量编码,保存至向量数据库;
步骤4、面对突发的临床事件,构建提示信息并结合向量数据库的知识,由临床麻醉领域知识模型产出相应解析。
具体的,在步骤1中,使用现有的临床麻醉专业知识教科书作为语料库,并基于文本长度将其划分为等长的文本段,获得领域知识库中的静态知识部分X=[x1,x2,...,xN],其中,N为静态知识的总条目数,x_i为一定长度的文本段。在本实施方式中,上述语料库可以采集《摩根麻醉学》、《姚氏麻醉学》与《中国麻醉指南与专家共识》等超过100本的临床麻醉专业知识教科书和规范应急手册的文本数据。
进一步的,步骤1中还采集了多例临床麻醉医师专家的临床经验,组织为领域知识库中的问答知识部分M=[m1,m2,...,mK],其中,K为问答知识的总条目数,mi={qi,ai}是一个问题-分析对,代表专家对于某个常见问题的分析。
在本实施方式中,为了实现麻醉知识的快速精准检索,选择基于步骤1中构建好的麻醉领域知识库,训练出一个临床麻醉领域知识模型。
具体的,在步骤2中选择基于已经公布的开源预训练语言模型ChatGLM作为基座模型B进行增量训练;其中,ChatGLM是一个在海量多来源的自然语言上训练好的模型,其能够根据向其输入的自然语言进行后续文本的补写。
为了增强基座模型的临床麻醉能力,本发明提出了基于麻醉领域知识库的增量预训练和问答微调两个阶段的增量训练过程。其中,
在增量预训练阶段,使用步骤1中构建好的领域知识库中的静态知识部分X作为模型的训练数据,进行如下训练:
对于X中的每一条静态知识xi,将其整体送入到模型B中,并通过随机梯度下降算法使模型的输出朝着xi自身进行优化,也即使模型根据xi中的第j个字符预测第j+1个字符;当优化结束时,基座模型能够初步掌握知识库中的静态知识并将其还原出来;
另外,为了提升模型的问答能力以更好地辅助与麻醉医师的交互,本发明采用了问答微调的方法。在问答微调阶段,使用步骤1中构建好的领域知识库中的问答知识部分M作为训练数据,进行如下训练:
对于M中各每一对问答对mi,将其问题部分qi送入到模型B中,并通过随机梯度下降算法使模型的输出朝着回答部分ai进行优化;当优化结束时,基座模型具备临床麻醉知识的问答能力,能够根据输入的问题进行相应的解析。
步骤3包括:利用步骤2中训练好的临床麻醉领域知识模型B,将领域知识库中的静态知识部分X编码为N个高维的向量V=[v1,v2,...,vN]存储于数据库中,便于后续高效的检索。
具体地,对于X中的每一条静态知识xi,将其整体送入到模型B中,经过模型编码得到对应的高位表征vi,也即
vi=B(xi)
其中,B(xi)代表用模型对文本进行编码的过程,而vi是这条静态知识的高维向量表征;
基于得到的表征,通过键-值对存储的方式将知识以向量的形式存储在计算机中,得到最终的向量数据库。
在步骤4中,基于前三个步骤构建好临床麻醉领域知识模型以及向量数据库,采用提示对话的方式来实现麻醉知识的检索:
对于临床事件问题描述d,首先利用临床麻醉知识模型将其编码为对应的表征向量vd,并在向量数据库中进行top-k相似知识的检索;其中,选择k=3以取得准确性和效率的权衡;此外,采用k-近邻的算法进行相似知识检索;
基于向量数据库的检索结果,可以根据问题描述获取到知识库中最为接近的k个知识点对应的自然文本描述;此后,将临床事件问题描述、知识点自然文本描述统一组织为一段问题文本qd作为提示信息,送入到临床麻醉知识模型B中;根据步骤2中问答微调的方案,模型最终的输出文本视为是针对问题d,模型在海量知识库中进行知识检索而得到的最终结果。同时,步骤4中相应的知识检索的结果以对话的形式展示给麻醉医师以实现交互。
此外,为了能够便于运行和使用该基于向量数据库的麻醉知识检索方法解决实际操作中存在的技术问题,本发明提供了一种基于向量数据库的麻醉知识检索设备,该基于向量数据库的麻醉知识检索设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于向量数据库的麻醉知识检索设备执行上述的基于向量数据库的麻醉知识检索方法的步骤。
进一步的,为了便于存储本发明提供的基于向量数据库的麻醉知识检索方法,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于向量数据库的麻醉知识检索方法的步骤。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。具体的,本发明提出了领域模型训练、向量数据库转化以及提示工程的流程来实现临床麻醉知识的快速、精准检索。本领域技术人员还可以通过上述流程具体实现细节的简单修改形成另外的实施例:如更换训练依赖的基座模型B、更改步骤2中的训练方案以及更改步骤4中的向量数据库相似检索算法等。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种基于向量数据库的麻醉知识检索方法,其特征在于,所述基于向量数据库的麻醉知识检索方法包括:
步骤1、基于大规模临床麻醉语料库以及临床麻醉医师专家经验,构造领域知识库;
步骤2、利用领域知识库和开源预训练模型训练临床麻醉领域知识模型;
步骤3、基于训练好的临床麻醉领域知识模型,对领域知识库进行向量编码,保存至向量数据库;
步骤4、面对突发的临床事件,构建提示信息并结合向量数据库的知识,由临床麻醉领域知识模型产出相应解析。
2.根据权利要求1所述的基于向量数据库的麻醉知识检索方法,其特征在于,在步骤1中,使用现有的临床麻醉专业知识教科书作为语料库,并基于文本长度将其划分为等长的文本段,获得领域知识库中的静态知识部分X=[x1,x2,…,xN],其中,N为静态知识的总条目数,x_i为一定长度的文本段。
3.根据权利要求2所述的基于向量数据库的麻醉知识检索方法,其特征在于,步骤1中还采集了多例临床麻醉医师专家的临床经验,组织为领域知识库中的问答知识部分M=[m1,m2,…,mK],其中,K为问答知识的总条目数,mi={qi,ai}是一个问题-分析对,代表专家对于某个常见问题的分析。
4.根据权利要求1所述的基于向量数据库的麻醉知识检索方法,其特征在于,在步骤2中选择基于开源预训练语言模型ChatGLM作为基座模型B进行增量训练;其中,ChatGLM是一个在海量多来源的自然语言上训练好的模型,其能够根据向其输入的自然语言进行后续文本的补写。
5.根据权利要求4所述的基于向量数据库的麻醉知识检索方法,其特征在于,增量训练过程包括基于麻醉领域知识库的增量预训练和问答微调两个阶段,其中,
在增量预训练阶段,使用步骤1中构建好的领域知识库中的静态知识部分X作为模型的训练数据,进行如下训练:
对于X中的每一条静态知识xi,将其整体送入到模型B中,并通过随机梯度下降算法使模型的输出朝着xi自身进行优化,也即使模型根据xi中的第j个字符预测第j+1个字符;当优化结束时,基座模型能够初步掌握知识库中的静态知识并将其还原出来;
在问答微调阶段,使用步骤1中构建好的领域知识库中的问答知识部分M作为训练数据,进行如下训练:
对于M中各每一对问答对mi,将其问题部分qi送入到模型B中,并通过随机梯度下降算法使模型的输出朝着回答部分ai进行优化;当优化结束时,基座模型具备临床麻醉知识的问答能力,能够根据输入的问题进行相应的解析。
6.根据权利要求1所述的基于向量数据库的麻醉知识检索方法,其特征在于,步骤3包括:利用步骤2中训练好的临床麻醉领域知识模型B,将领域知识库中的静态知识部分X编码为N个高维的向量V=[v1,v2,…,vN]存储于数据库中;
具体地,对于X中的每一条静态知识xi,将其整体送入到模型B中,经过模型编码得到对应的高位表征vi,也即
vi=B(xi)
其中,B(xi)代表用模型对文本进行编码的过程,而vi是这条静态知识的高维向量表征;
基于得到的表征,通过键-值对存储的方式将知识以向量的形式存储在计算机中,得到最终的向量数据库。
7.根据权利要求1所述的基于向量数据库的麻醉知识检索方法,其特征在于,在步骤4中,基于前三个步骤构建好临床麻醉领域知识模型以及向量数据库,采用提示对话的方式来实现麻醉知识的检索:
对于临床事件问题描述d,首先利用临床麻醉知识模型将其编码为对应的表征向量vd,并在向量数据库中进行top-k相似知识的检索;其中,选择k=3以取得准确性和效率的权衡;此外,采用k-近邻的算法进行相似知识检索;
基于向量数据库的检索结果,根据问题描述获取到知识库中最为接近的k个知识点对应的自然文本描述;此后,将临床事件问题描述、知识点自然文本描述统一组织为一段问题文本qd作为提示信息,送入到临床麻醉知识模型B中;根据步骤2中问答微调的方案,模型最终的输出文本视为是针对问题d,模型在海量知识库中进行知识检索而得到的最终结果。
8.根据权利要求7所述的基于向量数据库的麻醉知识检索方法,其特征在于,步骤4中相应的知识检索的结果以对话的形式展示给麻醉医师以实现交互。
9.一种基于向量数据库的麻醉知识检索设备,其特征在于,所述基于向量数据库的麻醉知识检索设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于向量数据库的麻醉知识检索设备执行如权利要求1-8中任一项所述的基于向量数据库的麻醉知识检索方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的基于向量数据库的麻醉知识检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036472.8A CN117038095A (zh) | 2023-08-15 | 2023-08-15 | 基于向量数据库的麻醉知识检索方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036472.8A CN117038095A (zh) | 2023-08-15 | 2023-08-15 | 基于向量数据库的麻醉知识检索方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117038095A true CN117038095A (zh) | 2023-11-10 |
Family
ID=88644604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311036472.8A Pending CN117038095A (zh) | 2023-08-15 | 2023-08-15 | 基于向量数据库的麻醉知识检索方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117038095A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668258A (zh) * | 2024-01-31 | 2024-03-08 | 浪潮软件科技有限公司 | 一种基于通用大语言模型的行业知识大模型构建方法 |
CN117709441A (zh) * | 2024-02-06 | 2024-03-15 | 云南联合视觉科技有限公司 | 通过逐步迁移领域训练专业医疗大模型的方法 |
-
2023
- 2023-08-15 CN CN202311036472.8A patent/CN117038095A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668258A (zh) * | 2024-01-31 | 2024-03-08 | 浪潮软件科技有限公司 | 一种基于通用大语言模型的行业知识大模型构建方法 |
CN117668258B (zh) * | 2024-01-31 | 2024-05-28 | 浪潮软件科技有限公司 | 一种基于通用大语言模型的行业知识大模型构建方法 |
CN117709441A (zh) * | 2024-02-06 | 2024-03-15 | 云南联合视觉科技有限公司 | 通过逐步迁移领域训练专业医疗大模型的方法 |
CN117709441B (zh) * | 2024-02-06 | 2024-05-03 | 云南联合视觉科技有限公司 | 通过逐步迁移领域训练专业医疗大模型的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Potential use of artificial intelligence in infectious disease: take ChatGPT as an example | |
CN117038095A (zh) | 基于向量数据库的麻醉知识检索方法、设备和存储介质 | |
Herber et al. | Lessons learned from applying Sandelowski and Barroso’s approach for synthesising qualitative research | |
CN106845118A (zh) | 一种基于电子病历共享文档的辅诊用药系统及方法 | |
Garmire et al. | The training of next generation data scientists in biomedicine | |
Guo et al. | neuroGPT-X: toward a clinic-ready large language model | |
CN112966123A (zh) | 一种面向特定疾病领域的医疗健康知识图谱系统 | |
Dexter et al. | Mapping a curriculum database to the USMLE Step 1 content outline | |
CN112069817A (zh) | 一种学者知识抽取与融合方法及装置 | |
Radović et al. | Ontology-based generation of multilingual questions for assessment in medical education | |
Pedrami et al. | Using text analytics of AJPE article titles to reveal trends in pharmacy education over the past two decades | |
Dunn Lopez et al. | Using online survey software to enhance rigor and efficiency of knowledge synthesis reviews | |
Quaglini et al. | Models for guideline representation | |
Yang et al. | Expert consensus on the “Digital Human” of metaverse in medicine | |
CN115954072A (zh) | 一种智能临床试验方案生成方法及相关装置 | |
Reynolds et al. | Better informed in clinical practice–a brief overview of dental informatics | |
Murudi-Manganye et al. | Integrated Management of HIV and NCDs within the Primary Health Care in the South African context: A comprehensive literature review | |
Carroll | Targeted efforts towards advancing adoption of a unique nurse identifier | |
JP7291440B1 (ja) | プログラム、情報処理装置、方法及びシステム | |
Wenqi et al. | Named Entity Recognition from Chinese Medical Literature Based on Deep Learning Method | |
JP7475744B1 (ja) | プログラム、情報処理装置、方法及びシステム | |
Grams et al. | The natural language processing of medical databases | |
US20240020552A1 (en) | Constructing and applying computer-based analytic methods representing medical knowledge | |
Maroun | Ontology-based approach in digital healthcare recruitment | |
Labouchère et al. | ChatGPT and Bard in Plastic Surgery: Hype or Hope? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |