面向医学文献挖掘的人类-AI 协作基础模型
计算与语言
2025-01-28 v1
摘要
系统文献综述是证据医学的关键环节，需要对临床试验出版物进行全面分析。然而，人工智能（AI）模型在医学文献挖掘中的应用受限于在广泛的治疗领域和多样化任务上的训练和评估不足。本文提出 LEADS，一款用于医学文献中的研究检索、筛选和数据抽取的AI基础模型。该模型基于 633,759 条 LEADSInstruct 中的指令数据训练，数据来源于 21,335 项系统综述、453,625 项临床试验出版物和 27,015 项临床试验登记。我们表明，LEADS 在六个任务上均显著优于四款前沿通用大型语言模型（LLM）。此外，LEADS 通过在专家请求后提供参考文献，提升了专家工作流程的效率，同时保持高质量结果。一项包含 16 名来自 14 个不同机构的临床医生和医学研究人员的研究显示，与 LEADS 合作的专家在研究选择中检索率达到 0.81，远高于独立工作的专家的 0.77，实现了 22.6% 的时间节省。在数据抽取任务中，使用 LEADS 的专家准确率达到 0.85，远高于不使用 LEADS 时的 0.80，并实现了 26.9% 的时间节省。这些发现表明，针对医学文献开发的专业化基础模型能够超越通用模型，在集成到专家工作流程中进行医学文献挖掘时，显著提升质量和效率。
引用
@article{arxiv.2501.16255,
title = {A foundation model for human-AI collaboration in medical literature mining},
author = {Zifeng Wang and Lang Cao and Qiao Jin and Joey Chan and Nicholas Wan and Behdad Afzali and Hyun-Jin Cho and Chang-In Choi and Mehdi Emamverdi and Manjot K. Gill and Sun-Hyung Kim and Yijia Li and Yi Liu and Hanley Ong and Justin Rousseau and Irfan Sheikh and Jenny J. Wei and Ziyang Xu and Christopher M. Zallek and Kyungsang Kim and Yifan Peng and Zhiyong Lu and Jimeng Sun},
journal= {arXiv preprint arXiv:2501.16255},
year = {2025}
}