Главная страница>Связанные с программированием>Другой исходный код
Скачать

Medical_nlp

Резюме медицинской оценки домена NLP/конкуренции, наборов данных, бумаги и предварительно обученных модельных ресурсов.

Сводка медицинских оценок НЛП/соревнований, наборов данных, документов и предварительно обученных моделей.

Новости

  • ? 2024/11/14 Добавлен 4. VLM数据集, 5.3 医疗VLM , 5.4 医疗VLM Benchmark . В будущем основное внимание будет уделено поддержанию соответствующих ресурсов, связанных с направлением медицинского обслуживания VLM . Репо будет поддерживаться Ронгшенг Ванг.
  • ? До 2024/11/14 , когда Крис Ли покинул медицинское поле NLP в 2021 году, в настоящее время этот репо поддерживается Xidong Wang, Ziyue Lin, Jing Tang.

Содержимое

  • 1. Оценка
    • 1.1 Китайский медицинский эталонный базовый баллов Оценка: CMB / CMEXAM / QUINCEDCBLUE
    • 1.2 Английская медицинская оценка оценки:
  • 2. Конкурс
    • 2.1 Продолжительные матчи
    • 2.2 Конечная игра
  • 3. Набор данных LLM
    • 3.1 Китайский
    • 3.2 английский
  • 4. Набор данных VLM
  • 5. Предварительно обученная модель с открытым исходным кодом
    • 5.1 Медицинский PLM
    • 5.2 Medical LLM
    • 5.3 Медицинский VLM
    • 5.4 Медицинский эталон VLM
  • 6. Связанные документы
    • 6.1 Документы, которые могут быть полезны в эпоху после чатгпта
    • 6.2 Обзор статьи
    • 6.3 Статьи о конкретном задании
    • 6.4 Индекс встречи
  • 7. Инструментарий с открытым исходным кодом
  • 8. Решения продукта промышленного уровня
  • 9. Обмен блогами
  • 10. Дружелюбные ссылки

1. Оценка

1.1 Китайский медицинский эталонный базовый баллов Оценка: CMB / CMEXAM / QUINCEDCBLUE

  • CMB

    • Адрес: https://github.com/freedomintelligence/cmb
    • Источник: экзамены в различных клинических медицинских работах на всех этапах; Консультации по клиническим комплексным случаям

  • Cmexam

    • Адрес: https://github.com/williamliujl/cmexam
    • Источник: Квалификационный экзамен на практическом враче. Вопросы предыдущего года

  • Rackclue

    • Адрес: https://github.com/michael-wzhu/promptcblue
    • Источник: CBLUE

  • Rackclue

    • Адрес: https://github.com/cbluebenchmark/cblue
    • Источник: наборы данных предыдущих соревнований по академической оценке и медицинский поисковый бизнес Ali Quark предыдущих академических обзоров

  • Медбенч

    • Адрес: https://arxiv.org/abs/2312.12806
    • Источник: содержит 40 041 вопроса из медицинских осмотров и отчетов, охватывающих все специальности.

1.2 Английская медицинская оценка оценки:

  • Мультимедбенч

    • Введение: это большая модель мультимодальной генерации, полученная из Google
↥ Вернуться к вершине

2. Конкурс

2.1 Продолжительные матчи

  • Корреляционное решение медицинского поиска

    • Адрес: https://tianchi.aliyun.com/competition/entrance/532001/introduction
    • Источник: Alibaba Tianchi

2.2 Конечная игра

2.2.1 Английский конкурс

  • Bionlp Workshop 2023 Общие задачи

    • Адрес: https://aclweb.org/aclwiki/bionlp_workshop#shared_tasks_2023
    • Источник: Bionlp Workshop

  • Medvidqa 2023

    • Адрес: https://medvidqa.github.io/index.html
    • Источник: Национальные институты здравоохранения

  • Mediqa-2011

    • Адрес: https://sites.google.com/view/mediqa2021
    • Источник: NAACL-BIONLP 2021 Семинар

  • ICLR-2021-International Contare за генерацию медицинских диалогов и автоматическую диагностику

    • Адрес: https://mlpcp21.github.io/pages/challenge
    • Источник: ICLR 2021 Workshop

2.2.2 Китайская конкуренция

  • Визуализация NLP - генерация диагностических отчетов о медицинской визуализации

    • Адрес: https://gaiic.caai.cn/ai2023/
    • Источник: 2023 Глобальный инновационный конкурс технологий искусственного интеллекта. Трек 1

  • Простая задача сортировки для нестандартных требований к заболеваниям 2.0

    • Адрес: http://challenge.xfyun.cn/topic/info?type=disease-claims-2022&ch=ds22-dw-sq03
    • Источник: iflytek

  • Задача оценки 8 -й Китайской конференции по обработке информации о здоровье (CHIP2022)

    • Адрес: http://cips-chip.org.cn/
    • Источник: Chip2022

  • Iflytek-Medical Entity и задача идентификации отношений

    • Адрес: http://www.fudan-disc.com/sharedtask/imcs21/index.html
    • Источник: iflytek

  • «Печень» мягкая и мягкая, а большая модель создает новую схему интерактивных услуг для врачей и пациентов при заболевании печени.

    • Адрес: http://www.fudan-disc.com/sharedtask/imcs21/index.html^(https://www.dcic-china.com/competitions/10090
    • Источник: Комитет по организационному саммите по строительству цифрового Китая
↥ Вернуться к вершине

3. Набор данных LLM

3.1 Китайский

  • HUATUO-26M

    • Адрес: https://github.com/freedomintelligence/huatuo-26m
    • ВВЕДЕНИЕ: Huatuo-26M, безусловно, является крупнейшим набором данных о вопросах и ответах китайской медицины.

  • Набор данных китайского медицинского диалога

    • Адрес: https://github.com/toyhom/chinese-medical-dialogue-data
    • Введение: Медицинские вопросы и ответы, содержащие шесть отделов

  • Cblue

    • Адрес: https://github.com/cbluebenchmark/cblue
    • Введение: охватывание извлечения информации о медицинской текстовой информации (распознавание организации, извлечение отношений)

  • CMEDQA2 (108K)

    • Адрес: https://github.com/zhangsheng93/cmedqa2
    • Введение: более 100 000 вопросов и наборов данных ответов в китайской медицине

  • xywy-kg (294 тыс. Тройной)

    • Адрес: https://github.com/baiyang2464/chatbot-base-on-conceledge-граф
    • Введение: 44,1K Entity 294.1K Triple

  • 39Health-KG (210K тройной)

    • Адрес: https://github.com/zhihao-chen/qasystemonmedicegraph
    • Введение: включает в себя 15 пунктов информации, в том числе 7 типов организаций, около 37 000 организаций и 210 000 отношений организации.

  • Медицинская диалога-система

    • Адрес: https://github.com/ucsd-ai4h/medical-dialogue-system
    • Набор данных Meddialog (китайский) содержит разговоры между врачами и пациентами (китайцы). Этот набор данных имеет 1,1 миллиона разговоров и 4 миллиона заявлений. Данные все еще растут, и в будущем будет добавлено больше разговоров.

  • Данные китайского медицинского диалога

    • Адрес: https://github.com/toyhom/chinese-medical-dialogue-data
    • Этот набор данных содержит в общей сложности 792 099 данных из шести различных отделов, включая ортопедию, педиатрию, акушерство и гинекологию, внутреннюю медицину, хирургию и онкологию.

  • Yidu-S4K

    • Адрес: http://openkg.cn/dataset/yidu-s4k
    • Введение: Признание объекта, сущность и извлечение атрибутов

  • Yidu-N7K

    • Адрес: http://openkg.cn/dataset/yidu-n7k
    • Введение: стандартизация клинического языка

  • Набор данных о китайской медицине и ответах

    • Адрес: https://github.com/zhangsheng93/cmedqa2
    • Введение: медицинские вопросы и ответы

  • Китайские данные о вопросах и ответах. Данные диалога

    • Адрес: https://github.com/ucsd-ai4h/medical-dialogue-system
    • Введение: медицинские вопросы и ответы

  • Cpubmed-kg (4,4 м тройной)

    • Адрес: https://cpubmed.openi.org.cn/graph/wiki
    • Введение: высококачественные полнотекстовые данные журнала Китайской медицинской ассоциации

  • Граф китайских медицинских знаний Cmekg (1 м тройка)

    • Адрес: http://cmekg.pcl.ac.cn/
    • Введение: CMEKG (График китайского медицинского знания)

  • Оценка чипа прошлых лет (официальная оценка)

    • Адрес: http://cips-chip.org.cn/2022/callforeval; http://www.cips-chip.org.cn/2021/; http://cips-chip.org.cn/2020/
    • ВВЕДЕНИЕ: Оценка чипа прошлых лет (Официальная оценка)

  • Набор данных диабета больницы Ruijin (диабет)

    • Адрес: https://tianchi.aliyun.com/competition/entrance/231687/information
    • Введение: набор данных диабета больницы Ruijin (диабет)

  • Соревнование по матчу вопросов Tianchi Covid-19 (новый коронавирус)

    • Адрес: https://tianchi.aliyun.com/competition/entrance/231776/information
    • Введение: Данные этого конкурса включают в себя: пары данных по медицинской проблеме и данные маркировки после десенсибилизации.

3.2 английский

  • Медицины

    • Адрес: https://github.com/chanzuckerberg/medmentions
    • Введение: набор данных биомедицинской сущности на основе Abstract PubMed Abstract

  • webmedqa

    • Адрес: https://github.com/hejunqing/webmedqa
    • Введение: медицинские вопросы и ответы

  • Комета

    • Адрес: https://www.siphs.org/
    • Введение: Данные о ссылках медицинской организации в социальных сетях. Опубликовано на EMNLP2020

  • PubMedqa

    • Адрес: https://arxiv.org/abs/1909.06146
    • Введение: Медицинский набор данных и ответов на основе Extract PubMed

  • Медика

    • Адрес: https://sites.google.com/view/mediqa2021
    • Введение: резюме текста

  • Набор данных чатдоктора-1

    • Адрес: https://drive.google.com/file/d/1lyfqiwllsclhgrcutwuee_iacnq6xnut/view?usp=sharing
    • Введение: 100 000 реальных разговоров между пациентами и врачами из HealthCaremagic.com

  • Набор данных чатдоктора-2

    • Адрес: https://drive.google.com/file/d/1zkbqgyqwc7djhs3n9tqyqvpddqmzacla/view?usp=sharing
    • Введение: 10K реальные разговоры между пациентами и врачами из iCliniq.com

  • Биоинструкция

    • Адрес: https://github.com/bio-nlp/bioinstruct
    • Введение: более 25 000 инструкций, адаптированных для биомедицинских задач, включая, помимо прочего, Q & A (QA), извлечение информации (IE) и генерация текста

  • Визуальные данные Med-Alpaca

    • Адрес: https://github.com/cambridgeltl/visual-med-alpaca/tree/main/data
    • Введение: Данные для визуального обучения Med-Alpaca, полученные из Bigbio, Roco и GPT-3.5-Turbo

  • Chexpert Plus

    • Адрес: https://github.com/stanford-aimi/chetrit-lus
    • ВВЕДЕНИЕ: самый большой текстовый набор данных, опубликованный в области радиологии, в общей сложности 36 миллионов текстовых токенов, и все они оснащены высококачественными изображениями в формате DICOM, а также большое количество изображений и метаданных пациентов, охватывающих широкий спектр клинических и социальных групп, а также множество патологических бир
↥ Вернуться к вершине

4. Набор данных VLM

Набор данных Бумага GitHub Ключевые слова
Medtrinity-25m связь связь 25 million images , 10 modalities , 65 diseases , VQA , EN
Ллава-Мед связь связь 630k images , VQA , EN
Китайский-Ллева-Мед - связь 60k images , VQA , ZH
Huatuogpt-vision связь связь 647k images , VQA , EN
Medvidqa связь связь 7k videos , VQA , EN
Chimed-vl связь связь 1M images , VQA , EN , ZH
Radfm связь связь 16M images , 5000 diseases , VQA , EN , 2D/3D
BiomedParsedata связь связь 6.8 million image-mask-description , 45 biomedical image segmentation datasets , 9 modalities , EN , 2D
Omnimedvqa связь связь 118,010 images , 12 modalities , 2D , 20 human anatomical regions
Урегулированный связь связь 160K volumes , 42M slices , 3D , CT
GMAI-VL-5,5 м связь связь 5.5m image and text , 219 specialized medical imaging datasets , 2D , VQA
SA-MED2D-20M связь связь 4.6 million 2D medical images and 19.7 million corresponding masks , 2D , EN
Имис-Бенч связь связь 6.4 million images, 273.4 million masks (56 masks per image), 14 imaging modalities, and 204 segmentation targets , EN
↥ Вернуться к вершине

5. Предварительно обученная модель с открытым исходным кодом

5.1 Медицинский PLM

  • Biobert:

    • Адрес: https://github.com/naver/biobert-pretred
    • Введение: BioBert - это модель представления языка в области биомедицинской науки, которая специально используется для задач добычи биомедицинского текста, таких как признание биомедицинских названных сущностей, извлечение отношений, вопрос и ответ и т. Д.

  • Черниберт:

    • Адрес: https://github.com/ncbi-nlp/blue_benchmark
    • Введение: синий эталон включает в себя 5 различных задач по добыче биомедицинского текста и 10 корпусов. Синие критерии полагаются на ранее существовавшие наборы данных, потому что они широко использовались сообществом BionLP в качестве общих задач. Эти задачи охватывают различные типы текстов (литература биомедицины и клинические заметки), размер и сложность набора данных, и, что более важно, выделяют общие проблемы с добычей биомедицинского текста.

  • Bioflair:

    • Адрес: https://github.com/flairnlp/flair
    • Краткое введение: FLAIR-это мощная библиотека NLP, которая может применять современные модели обработки естественного языка (NLP) к тексту, такие как распознавание именованных сущностей (NER), анализ настроений, частичное теги (POS), специальная поддержка биомедицинских данных, семантическое устранение дистментов и классификация, поддерживая быстро растущее число языков. Flair также является библиотекой встроенной текста, структурой обработки естественного языка, основанной на Pytorch.

  • Covid-Twitter-Bert:

    • Адрес: https://github.com/digitalepidemiologylab/covid-twitter-bert
    • Введение: Covid-Twitter-Bert (CT-Bert для краткости)-это модель, основанная на трансформаторах, которая предварительно обучена на большом количестве сообщений Twitter по теме Covid-19. Модель V2 была обучена 97 миллионам твитов (1,2 миллиарда обучающих образцов).

  • Bio-LM (модели биомедицинского и клинического языка)

    • Адрес: https://github.com/facebookresearch/bio-lm
    • Введение: Эта работа оценивает многие модели для биомедицинских и клинических задач обработки естественного языка и обучает некоторые новые модели с лучшей производительностью.

  • Биоальберт

    • Адрес: https://github.com/usmaann/bioalbert
    • Введение: Это модель представления биомедицинского языка, обученная крупномасштабному доменному специфическому (биомедициновому) корпусу, предназначенному для задач добычи биомедицинского текста.

5.2 Medical LLM

5.2.1 Многоязычная медицинская модель

  • Аполломо:

    • Адрес: https://github.com/freedomintelligence/apollomoe
    • Введение: Эффективно демократизировать LLM в 50 языковых лекарственных средствах через сочетание экспертов по языку семьи

  • Аполлон:

    • Адрес: https://github.com/freedomintelligence/apollo
    • Введение: легкая многоязычная медицина LLM, популяризация медицинского искусственного интеллекта для 6 миллиардов человек

  • Mmedlm:

    • Адрес: https://github.com/magic-ai4med/mmedlm
    • Введение: первая многоязычная модель медицинского языка с открытым исходным кодом

5.2.2 Модель на большом языке китайского медицинского языка

  • Бентсао:
    • Адрес: https://github.com/scir-hi/huatuo-lama-med-chinese
    • Введение: Bentsao основан на Llama-7B и получен путем точной настройки китайских медицинских инструкций/инструкций. Исследователи построили китайский набор данных медицинских инструкций через график медицинских знаний и API GPT3.5, а также тонко настроенные инструкции Llama на этой основе, улучшив эффект Q & A Llama в области медицины.
  • Бьянк:
    • Адрес: https://github.com/scutcyr/bianque
    • Введение: модель медицинского диалога, которая настраивается в соответствии с инструкциями и несколькими раундами диалога запроса. Используя в качестве базы Clueai/Chatyuan-Large-V2, он использует китайские медицинские инструкции по вопросам и ответам и смешанный набор данных с несколькими раундами диалога исследования для точной настройки.
  • Soulchat:
    • Адрес: https://github.com/scutcyr/soulchat
    • Введение: Lingxin использует Chatglm-6b в качестве модели инициализации и тонко настраивает китайские длинные текстовые инструкции в области психологического консультирования и множество раундов диалога эмпатии, чтобы улучшить способность модели эмпатией, руководство способностью пользователей говорить и предоставлять разумные предложения.
  • Doctorglm:
    • Адрес: https://github.com/xionghonglin/doctorglm
    • ВВЕДЕНИЕ: китайская модель консультаций, основанная на Chatglm-6B. Эта модель точно настроена через набор данных китайского медицинского диалога, который реализует точную настройку и развертывание, включая LORA, P-TUNINGV2 и т. Д.
  • Huatuogpt:
    • Адрес: https://github.com/freedomintelligence/huatuogpt
    • Введение: Hua Tuo GPT-это GPT-подобная модель, полученная с помощью китайской медицинской инструкции. Модель представляет собой китайский LLM, разработанный специально для медицинских консультаций. Его обучающие данные содержат данные, переведенные из CHATGPT и реальные данные от врачей. Отзывы RLHF добавляются во время обучения.
  • Huatuogpt-ii:
    • Адрес: https://github.com/freedomintelligence/huatuogpt-ii
    • Введение: Hua Tuo GPT2 принимает инновационный метод адаптации на местах, значительно улучшая свои медицинские знания и способность диалога. Он показал первоклассную производительность в нескольких медицинских показателях, особенно превзойдя GPT-4 в экспертной оценке и новых квалификационных экзаменах по медицинской практике.

5.2.3 Модель английского медицинского языка

  • Gatortron:
    • Адрес: https://github.com/uf-hobi-informatics-lab/gatortron
    • ВВЕДЕНИЕ: Ранняя модель макета в области здравоохранения, посвященная тому, как системы, использующие неструктурированные электронные случаи здравоохранения, получают выгоду от медицинского макета с миллиардами параметров.
  • Codex-Med:
    • Адрес: https://github.com/vlievin/medical-reessing
    • Введение: посвящено способности модели GPT-3.5 отвечать и разум для реальных медицинских проблем. Наборы данных по медицинским тестированию USMLE и MEDMCQA, и набор данных по пониманию прочитанного медицинского прочитанного PubMedQA.
  • Галактика:
    • Адрес: https://galactica.org/
    • Введение: Galactica стремится к решению информационной перегрузки в области науки, а также в магазинах и включает в себя научные знания, включая медицинскую и медицинскую область. Galactica обучается на большом корпусе документов и ссылок, чтобы попытаться обнаружить потенциальные отношения между исследованиями в разных областях.
  • Deid-gpt:
    • Адрес: https://github.com/yhydhx/chatgpt-api
    • Введение: инновационная структура де-идентификации с поддержкой GPT4, которая может автоматически идентифицировать и удалять идентификационную информацию.
  • Чатхатор:
    • Адрес: https://github.com/kent0n-li/chatdoctor
    • Введение: модель медицинского диалога, полученная с помощью тонкой настройки на основе ламы, используя базовые знания в области медицины.
  • Медальпака:
    • Адрес: https://github.com/kbreakm/medalpaca
    • Введение: Medalpaca принимает стратегию с открытым исходным кодом, посвященную решению вопросов конфиденциальности в системах здравоохранения. Модель построена на ламе с 7 миллиардами и 13 миллиардами параметров.
  • PMC-LLAMA:
    • Адрес: https://github.com/chaoyi-wu/pmc-llama
    • Введение: PMC-Llama-это модель с открытым исходным кодом, которая дополнительно прививает медицинские знания, регулируя Llama-7B в общей сложности 4,8 миллиона биомедицинских академических документов для расширения своих возможностей в области медицины.
  • Визуальный Med-Alpaca:
    • Адрес: https://github.com/cambridgeltl/visual-med-alpaca
    • ВВЕДЕНИЕ: Visual Med-Alpaca-это с открытым исходным исходным костюм, эффективной базовой модели с открытым исходным кодом, которая может быть интегрирована с «экспертами по видению» медицины для мультимодальных биомедицинских задач. Модель построена на архитектуре LLAMA-7B и обучается с использованием набора инструкций, курируемого GPT-3.5-Turbo и человеческими экспертами.
  • GatorTrongpt:
    • Адрес: https://github.com/uf-hobi-informatics-lab/gatortrongpt
    • Введение: Gatortrongpt - это медицинская генеративная модель большой языка. Модель построена на GPT-3 и содержит 5 миллиардов или 20 миллиардов параметров. Модель использует огромное корпус клинических и английских текстов, содержащих 277 миллиардов слов.
  • МЕДАГИ:
    • Адрес: https://github.com/joshuachou2018/medagi
    • Введение: Пример Medagi, объединяющий модели медицинского языка, специфичные для домена, по самой низкой стоимости обеспечивает возможный способ реализации общего медицинского искусственного интеллекта.
  • Llava-Med:
    • Адрес: https://github.com/microsoft/llava-med
    • Введение: Llava-Med использует общую доменную лаву для инициализации, а затем непрерывно обучается в способе обучения курса (сначала с биомедицинским выравниванием концепции, за которой следует комплексная корректировка инструкций).
  • Мед-Фламинго:
    • Адрес: https://github.com/snap-stanford/med-flamingo
    • Введение: Med-Flamingo-это модель визуального языка, разработанная специально для обработки межполосных мультимодальных данных, содержащих изображения и текст. Основываясь на Flamingo, Med-Flamingo дополнительно расширяет свои возможности в этих медицинских областях, предварительно обучая различные мультимодальные источники знаний в различных медицинских дисциплинах.

5.3 Медицинский VLM

Модель Бумага GitHub
Medvint связь связь
Мед-Фламинго связь связь
Ллава-Мед связь связь
Qilin-Med-Vl связь связь
Radfm связь связь
Меддр связь связь
Huatuogpt-vision связь связь
Biomedgpt связь связь
Медмоч связь связь
R-Llava связь -
MED-2E3 связь -
Gmai-vl связь связь

5.4 Медицинский эталон VLM

Эталон Бумага GitHub
Gmai-Mmbench связь связь
Omnimedvqa связь связь
МММУ связь связь
Мультимедован связь связь
WorldMedqa-V связь -
↥ Вернуться к вершине

6. Связанные документы

6.1 Документы, которые могут быть полезны в эпоху после чатгпта

  1. Клиническое знание

  2. Производительность CHATGPT на USMLE: потенциал для медицинского образования с помощью AI-ассистентного использования с использованием больших языковых моделей.

  3. Тестирование (Тьюринга) для медицинской консультации CHATGPT Адрес: https://arxiv.org/abs/2301.10035

  4. Toolformer: Языковая модель можно преподавать само по себе, используя адрес инструментальной бумаги: https://arxiv.org/abs/2302.04761

  5. Проверьте свои факты и попробуйте еще раз: улучшить бумаги с большими языками, используя внешние знания и автоматическую обратную связь: https://arxiv.org/abs/2302.12813

  6. Возможности GPT-4 на медицинские проблемы.

6.2 Обзор статьи

  1. Предварительно обученная языковая модель в области биомедицинской науки: систематическое обращение в документ обследования
  2. Краткое изложение бумаги адреса здравоохранения
  3. Обзор бумажном адреса модели большого языка в области здравоохранения

6.3 Статьи о конкретном задании

Статьи, связанные с электронными медицинскими картами

  1. Передача обучения из медицинской литературы для прогнозирования разделов в электронных медицинских записях.
  2. Mufasa: мультимодальная фьюжн -архитектура Поиск электронных медицинских записей.

Извлечение медицинских отношений

  1. Использование леса зависимостей для обращения к нейронным медицинским отношениям.

График медицинских знаний

  1. Изучение графа здравоохранения по адресу электронных медицинских записей.

Вспомогательный диагноз

  1. Оценка и точная диагностика детских заболеваний с использованием художественного интеллекта

Медицинское лицо связывание (стандартизация)

  1. Медицинская организация, связывающая с использованием адреса триплета сетевой бумаги
  2. Генератная и ранга с рамки с регуляризацией семантического типа для биомедицинской концепции.
  3. Глубокие нейронные модели для нормализации медицинской концепции при полученных пользовательских текстовых текстах.

6.4 Индекс встречи

Список связанных документов в области медицины в ACL2020

  1. Генератная и ранга с рамки с регуляризацией семантического типа для биомедицинской концепции.
  2. Представления биомедицинских сущностей с синонимом маргинализационного адреса бумаги
  3. Перевод документа в отношении перевода запросов для перевода информации о получении информации в документе медицинской области.
  4. Mie: экстрактор медицинской информации в отношении медицинских диалогов бумажный адрес
  5. Рационализация прогнозирования медицинских отношений из статистического адреса на уровне корпуса

AAAI2020 Medical NLP Список бумажных бумаг

  1. На генерации медицинских паров вопросов-бумажный адрес бумаги
  2. Латте: Моделирование латентного типа для биомедицинского объекта Связывание бумаги Адрес
  3. Обучение концептуально-контекстуальному встраиванию для адреса медицинской текстовой бумаги
  4. Понимание медицинских разговоров с рассеянным ключевым словом вниманием и слабым надзором по адресу ответов.
  5. Одновременно связывание сущностей и извлечение отношений из биомедицинского текста без упоминания Наблюдение за надзором.
  6. Могут ли встраивать адекватно представлять медицинскую терминологию? Новые крупномасштабные наборы данных сходства медицинских терминов имеют ответ! Бумажный адрес

EMNLP2020 Medical NLP Список бумаг, связанных с NLP

  1. На пути к пониманию прочитанного в медицинской машине со структурными знаниями и адресом простых текстовых документов
  2. Meddialog: крупномасштабные наборы данных медицинского диалога бумажный адрес
  3. COMETA: Корпус для медицинской организации, связывающий в обратном обращении в социальных сетях
  4. Извлечение биомедицинского события в виде адреса маркировки последовательности
  5. Федеральное: федеративное обучение с помощью ансамблевой дистилляции для извлечения медицинских отношений.
  6. Вливание знаний о заболеваниях в BERT для ответа на вопросы о здоровье, медицинский вывод и название заболевания.
  7. Дворчатая модель, основанная на знаниях для многоменения китайская медицинская процедура.
  8. BiomeGatron: более крупный адрес модели биомедицинского домена.
  9. Запрос в разных жанрах для медицинских претензий по адресу новостей
↥ Вернуться к вершине

7. Инструментарий с открытым исходным кодом

  1. Инструмент раздела Word: Адрес проекта Pkuseg Описание проекта: Многодоменный инструмент для участия в китайском языке, запущенный Peking University, поддерживает выбор медицинских областей.
↥ Вернуться к вершине

8. Решения продукта промышленного уровня

  1. Мудрость духовной медицины

  2. Левша доктор

  3. Инайна-институт научно-исследовательских наук илучает обработку естественного языка

  4. Baidu - медицинская структура текста

  5. Alibaba Cloud - медицинская обработка естественного языка

↥ Вернуться к вершине

9. Обмен блогами

  1. Alpaca: мощная инструкция с открытым исходным кодом следующей модели
  2. Уроки, извлеченные из построения систем обработки естественного языка в медицинской области
  3. Введение в медицинскую публичную базу данных и технологии интеллектуального анализа данных в эпоху больших данных
  4. Глядя на разработку NLP в области медицины от ACL 2021, с загрузкой ресурсов
↥ Вернуться к вершине

10. Дружелюбные ссылки

  1. Awesome_chinese_medical_nlp
  2. Китайский поиск набора данных NLP
  3. Медицинские базы (массовые данные, связанные с медицинской помощью)
  4. Набор данных Tianchi (включая несколько медицинских наборов данных NLP)
↥ Вернуться к вершине

11. Ссылка 

 @misc { medical_NLP_github ,
  author = { Xidong Wang, Ziyue Lin and Jing Tang, Rongsheng Wang, Benyou Wang } ,
  title = { Medical NLP } ,
  year = { 2023 } ,
  publisher = { GitHub } ,
  journal = { GitHub repository } ,
  howpublished = { url{https://github.com/FreedomIntelligence/Medical_NLP} }
}
Расширять
Дополнительная информация
Связанные приложения
Рекомендуем вам
Связанные новости Все