将代谢信息纳入 LLM 以用于临床时间序列异常检测
定量方法
2024-11-26 v3 人工智能
机器学习
摘要
临床时间序列的异常检测在识别不同生物参数中的可疑模式方面具有重要潜力。本文提出了一种针对性方法，将临床领域知识纳入 LLM 以提高其异常检测能力。我们引入了代谢途径驱动提示（Metabolism Pathway-driven Prompting, MPP）方法，将代谢途径信息整合，以更好地捕捉生物样本中的结构和时间变化。我们将该方法用于运动员戒色检测，聚焦于类固醇代谢，并使用来自运动员的真实数据进行评估。结果表明，该方法通过利用代谢上下文提高了异常检测性能，为运动员档案中可疑样本的预测提供了更细致和准确的评估。
引用
@article{arxiv.2410.12830,
title = {Incorporating Metabolic Information into LLMs for Anomaly Detection in Clinical Time-Series},
author = {Maxx Richard Rahman and Ruoxuan Liu and Wolfgang Maass},
journal= {arXiv preprint arXiv:2410.12830},
year = {2024}
}