A decision-basis contract for auditable LLM-assisted medical billing verification: deterministic rules, verbatim evidence, and fail-closed abstention
Aschaffenburg University of Applied Sciences（阿沙芬堡应用科学大学）
本研究提出一种基于决策基础合同的LLM辅助医疗账单审核方法，通过分离确定性规则与语义评估，要求逐字证据并采用故障关闭式弃权，实现可审计的决策记录，实验显示明确文档要求提升缺失信息识别。
2026-09-14 cs.AI cs.SE
Can open source large language models be used for tumor documentation in Germany? -- An evaluation on urological doctors' notes
University Medical Centre of the Johannes Gutenberg-University Mainz（美因茨约翰内斯·古腾堡大学医学中心）；German Childhood Cancer Registry（德国儿童癌症登记处）
本研究评估了11个开源大语言模型在德国肿瘤文档记录中的表现，发现70亿至120亿参数的模型在识别诊断、编码和日期提取任务上达到性能与资源效率的最佳平衡，展示了自动化临床文档的潜力。
2025-08-07 cs.AI cs.CL
Advancing Complex Medical Communication in Arabic with Sporo AraSum: Surpassing Existing Large Language Models
Sporo Health；Yale School of Medicine（耶鲁医学院）；Cambridge University（剑桥大学）
本研究通过合成数据集和修改版 PDQI-9 指标评估发现，面向阿拉伯语临床文档的 Sporo AraSum 在总结准确性、全面性、临床实用性及语言文化能力上均显著优于领先模型 JAIS，更适合阿拉伯语医疗环境。
2024-11-20 cs.AI cs.CL
RepoRepair: Leveraging Code Documentation for Repository-Level Automated Program Repair
State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学）；Human Language Technology Research Institute, University of Texas at Dallas（人机语言技术研究院，德克萨斯大学达拉斯分校）
RepoRepair通过生成代码文档增强LLM能力，实现仓库级别的自动程序修复，取得高修复率和低成本的优异表现。
2026-03-01 cs.AI cs.SE
From Safety Documentation to Safety Knowledge Support: An Evidence-Grounded LLM Framework for Medical Devices
Fraunhofer IESE（弗劳恩霍夫IESE研究所）；RPTU Kaiserslautern-Landau（凯撒斯劳滕-兰道莱茵-普法尔茨理工大学）
针对现有LLM在医疗器械安全工程中源链接等支持不足的问题，本文提出基于证据的LLM框架，用于安全知识支持，不做安全判定，还给出对应评估策略。
2026-08-13 cs.AI cs.SE
ToolFuzz -- Automated Agent Tool Testing
ETH Zurich（苏黎世联邦理工学院）
本文提出ToolFuzz，首个自动化测试智能体工具文档的方法，可发现工具运行时错误和错误响应，并在多个工具和基准上验证其效果优于提示工程方法。
2025-03-11 cs.AI cs.SE
Beyond Label Attention: Transparency in Language Models for Automated Medical Coding via Dictionary Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Vanderbilt University（范德堡大学）
针对医疗编码大语言模型现有标签注意力可解释性方法易高亮无关词元的问题，提出用字典学习提取稀疏激活表征，构建可解释字典以增强ICD编码预测的机制性解释，可调控模型行为、阐明超90%医学无关词元的隐藏含义且具备人类可解释性。
2025-03-22 cs.AI cs.CL
Enhancing Clinical Efficiency through LLM: Discharge Note Generation for Cardiac Patients
Asan Medical Center（峨山医疗中心）；University of Ulsan College of Medicine（蔚山大学医学院）；Asan Medical Institute of Convergence Science and Technology（峨山融合科学技术研究院）
本文针对心脏病患者出院小结手工编写低效且易错的问题，评估 LLM 自动生成能力，发现 Mistral-7B 在专家定性与定量评价中表现优异，可提升文档效率与护理连续性。
2024-04-08 cs.CL cs.CV cs.LG
DBAutoDoc: Automated Discovery and Documentation of Undocumented Database Schemas via Statistical Analysis and Iterative LLM Refinement
Tasio Labs (a Blue Cypress company)（Tasio实验室（Blue Cypress公司旗下））
DBAutoDoc通过统计分析与迭代LLM细化技术，自动发现并文档化未记录的关系数据库模式，其核心是通过图结构问题迭代解决，结合神经网络反向传播的结构，实现语义校正，最终在基准数据库上取得96.1%的综合评分。
2026-03-24 cs.AI cs.DB
FixItFlow: Automated Troubleshooting Guide Generation from Cloud Incidents
Microsoft Research（微软研究院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Inception
针对云事件手动创建故障排除指南的问题，提出FixItFlow系统，利用大语言模型从历史事件数据生成指南，能提取诊断模式、合成结构化指南并严格验证，经评估可提升事件响应，减轻团队文档负担。
2026-07-16 cs.AI cs.CL cs.LG
M^3Builder: A Multi-Agent System for Automated Machine Learning in Medical Imaging
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出M3Builder多智能体系统，通过四个协作智能体自动化医学影像机器学习流程，并构建M3Bench基准，在14个数据集上以Claude-3.7-Sonnet为核心达到94.29%成功率。
2025-02-27 cs.AI cs.CL cs.CV
Toward Automated Detection of Documentation Inconsistencies in Electronic Health Records
Duke University（杜克大学）；Columbia University Medical Center（哥伦比亚大学医学中心）；Vanderbilt University Medical Center（范德堡大学医学中心）
研究旨在检测电子健康记录中文档不一致性，采用两阶段LLM管道对3000份出院小结进行分析，发现多种类型不一致及反复出现的失败模式，建立了方法基础和概念框架以指导后续大规模分析。
2026-10-20 cs.CL stat.AP
Evaluating Fine-Tuned LLM Model For Medical Transcription With Small Low-Resource Languages Validated Dataset
School of ICT and Industrial Management（信息通信技术与工业管理学院）；Metropolia University of Applied Sciences（Metropolia应用科学大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
本研究通过在有限的芬兰语验证数据集上微调LLaMA 3.1-8B，评估了领域对齐的NLP模型在医疗转录中的有效性，结果显示BLEU、ROUGE-L和BERTScore F1等指标表现良好，表明细调在芬兰语医疗口语转录中的可行性。
2026-03-25 cs.AI cs.CL cs.LG
Artificial Intolerance: Stigmatizing Language in Clinical Documentation Skews Large Language Model Decision-Making
Johns Hopkins University（约翰霍普金斯大学）
研究探讨了大型语言模型在处理包含污名化语言的临床文档时是否继承并传播人类偏见，发现所有模型在决策上都存在显著偏见，且对语言框架敏感，需加强算法防护以确保公平性和鲁棒性。
2026-05-17 cs.CL
A GEN AI Framework for Medical Note Generation
Data Science Institute, University of Chicago（芝加哥大学数据科学研究所）；University of Chicago（芝加哥大学）
针对医疗文档行政负担问题，提出MediNotes生成式AI框架，集成LLM、RAG和ASR自动生成SOAP记录，经ACI-BENCH评估显著提升文档准确性、效率与可用性。
2025-09-24 cs.AI cs.CL cs.IR
A parallel corpus of Python functions and documentation strings for automated code documentation and code generation
The University of Edinburgh（爱丁堡大学）
编程源代码的自动文档化和从自然语言自动生成代码生成是具有实际和科学意义的挑战性任务。这些领域的进展一直受到代码和自然语言描述的并行语料库数量少的限制，这些语料库往往规模较小，局限于特定领域。在这项工作中，我们介绍了一个庞大而多样化的并行语料库，其中包含数十万个Python函数及其文档字符串（“docstrings”），这些字符串是通过抓取GitHub上的开源存储库生成的。我们描述了神经机器翻译获得的代码文档和代码生成任务的基线结果。我们还试验了数据增强技术，以进一步增加训练数据的量。我们发布我们的数据集和处理脚本，以刺激这些领域的研究。
2017-07-07 cs.AI cs.CL
Enhancing Summarization Performance through Transformer-Based Prompt Engineering in Automated Medical Reporting
Utrecht University（乌得勒支大学）；Verticai；Nivel (Netherlands institute for health services research)（荷兰卫生服务研究所（Nivel））
本文研究提示设计对 LLM 医疗对话摘要的影响，结合示例提示与模式提示，并通过 ROUGE 和专家人工评估验证双示例加领域上下文方法效果最佳。
2024-01-19 cs.CL
CareTransition-Audit: A Benchmark to Audit Discharge Summaries for Efficient Care Transitions
Department of Computer Science \& Engineering, University of Minnesota-Twin Cities, Minneapolis, USA；Centific AI Research, Redmond, USA
提出基于大语言模型的自动化框架，通过46项检查清单审计出院总结完整性，在MIMIC-IV数据集上基准测试11个模型，最佳模型与临床医生标签的Cohen's kappa约0.5，所有模型难以识别模糊文档。
2026-06-19 cs.AI
A Study on the Improvement of Code Generation Quality Using Large Language Models Leveraging Product Documentation
Ibaraki University（茨城大学）
针对现有E2E测试生成研究不足的问题，提出利用定制提示词让LLMs基于产品文档两步生成E2E测试代码的方法，实验证明其效果优于需求规格和用户故事方案，可提升软件质量。
2025-03-22 cs.AI cs.SE
Intelligent Clinical Documentation: Harnessing Generative AI for Patient-Centric Clinical Note Generation
AWS AI & ML（AWS 人工智能与机器学习部门）；IEEE CIS（IEEE 计算智能学会）
本研究探索生成式AI结合NLP和ASR技术自动生成SOAP和BIRP临床笔记，以减轻医生负担，提高文档质量，并强调伦理考量，有望革新临床文档实践。
2024-05-28 cs.AI
PragyaDoc: A Universal Document Intelligence Framework for Multilingual Medical Document Understanding in Low-Resource Settings
针对低资源场景下多语种医学文档理解问题，提出PragyaDoc通用文档智能框架，采用四层流水线实现医学文档的多语种理解，解决了印度因语言差异导致的医学文档可及性障碍。
2026-08-11 cs.CL cs.CV
Ranking Over Scoring: Towards Reliable and Robust Automated Evaluation of LLM-Generated Medical Explanatory Arguments
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU HiTZ中心 - Ixa）；Cruces University Hospital（克鲁塞斯大学医院）
本文提出基于代理任务和排序的评估方法，以少量人工示例实现对LLM生成医学解释性论证的可靠、稳健且与人类标准一致的自动评估。
2024-09-30 cs.CL
Towards Leveraging Large Language Models for Automated Medical Q&A Evaluation
Northeastern University（东北大学）；Suki AI（苏基人工智能公司）
本文研究利用大型语言模型自动评估医疗问答系统回答的可行性，通过患者数据衍生问题进行实验，初步结果表明其有望替代人工评估以节省医学专家时间，但更复杂问题仍需进一步研究。
2024-09-03 cs.CL cs.LG
Automated Construction of Medical Indicator Knowledge Graphs Using Retrieval Augmented Large Language Models
The second hospital of Jilin University Northeast Asia Active Aging Laboratory Jilin, China Email；QMUL DERI \ Institute Of Health Informatics, Lonodn, UK Email；QMUL School of Electronic Engineering \ Computer Science London, UK Email；The second hospital of Jilin University College of Artificial Intelligence, \ University, Jilin, China Email
针对现有临床知识图谱构建依赖人工与规则方法的局限，本文提出结合RAG与大语言模型的自动化医学指标知识图谱构建框架，可支撑智能医疗系统开发。
2025-11-17 cs.AI
Automated Generation of High-Quality Medical Simulation Scenarios Through Integration of Semi-Structured Data and Large Language Models
本研究提出将半结构化数据与大语言模型（如ChatGPT3.5）集成，自动生成高质量、定制化的医学模拟场景，显著降低开发成本并提升学习效果。
2024-05-06 cs.CL
Searching for Best Practices in Medical Transcription with Large Language Model
Galileo Financial Technologies（伽利略金融技术公司）；Lazard Inc（拉扎德公司）
针对含高密度专业术语的印度口音医疗独白转录难题，本文提出整合先进语言建模技术的LLM方法，有效降低WER、提升术语识别准确率，可助力临床文档流程优化。
2024-10-04 cs.CL
LLM-Based Code Documentation Generation and Multi-Judge Evaluation
University of Tunis El Manar（突尼斯国家理工大学）
提出利用八种大语言模型自动生成代码文档，并通过多裁判评估框架（四个LLM从九个维度评分）提升文档质量，在医学物理库上实验显示最佳与最差模型性能差距达42%。
2026-05-11 cs.AI cs.CL cs.HC
Free and Customizable Code Documentation with LLMs: A Fine-Tuning Approach
Department of Computer Science and Engineering（计算机科学与工程系）；Northwestern University（西北大学）；School of Electrical & Computer Engineering（电气与计算机工程学院）；Purdue University（普渡大学）
本文提出一种基于LLM的免费代码文档生成工具，通过微调方法解决现有开源应用在成本和可定制性上的不足。
2024-12-01 cs.AI cs.LG cs.SE
Code-QA-Bench: Separating Code Reasoning from Documentation Memorization in Repository-Level QA
Baidu Inc（百度公司）
提出Code-QA-Bench框架，通过答案优先生成和三条件实验设计，自动构建仓库级代码理解基准，以区分代码推理、文档回忆和预训练记忆的影响。
2026-05-28 cs.AI cs.SE
Development and Feasibility Evaluation of an Edge AI as Medical Device System for Breast Cancer Multidisciplinary Team Meetings
该研究开发了基于边缘AI的乳腺癌MDT会议系统，利用开源ASR、LLM和RAG实现设备上运行，经评估其ASR与RAG性能优异，证明了该系统的可行性。
2026-09-15 cs.AI cs.LG
LiveMedBench: A Contamination-Free Medical Benchmark for LLMs with Automated Rubric Evaluation
Lehigh University（莱维大学）；Harvard University（哈佛大学）；Imperial College London（伦敦帝国学院）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
LiveMedBench通过持续更新和自动评分框架，提供无污染的医疗基准测试，验证LLM在临床推理中的性能，揭示数据污染和上下文适应性问题。
2026-02-10 cs.AI
GraphSkill: Documentation-Guided Hierarchical Retrieval-Augmented Coding for Complex Graph Reasoning
The Pennsylvania State University（宾夕法尼亚州立大学）；Michigan State University（密歇根州立大学）
GraphSkill通过分层检索增强编码框架和自我调试代理，提升复杂图推理任务的准确性和效率。
2026-02-20 cs.AI cs.CL cs.LG
A Custom-Built Ambient Scribe Reduces Cognitive Load and Documentation Burden for Telehealth Clinicians
Included Health
本文介绍集成于 EHR 的定制环境记录员，利用 Whisper、GPT-4o 上下文学习流程及微调 BART 后处理自动生成病历，验证其质量更高并显著降低临床医生认知与文档负担。
2025-05-02 cs.AI cs.CL cs.CY
Intelligent Healthcare Imaging Platform: A VLM-Based Framework for Automated Medical Image Analysis and Clinical Report Generation
Automated Manufacturing Department/Al-Khwarizmi College of Engineering/ University of Baghdad/Gilgamesh University（自动化制造部门/阿尔·卡瓦尔齐米工程学院/巴格达大学/吉尔伽美什大学）
本文提出基于视觉语言模型的智能多模态框架，用于自动化医学图像分析和临床报告生成，结合视觉特征提取与自然语言处理，实现上下文图像解释，并通过多层可视化技术提升临床信心。
2026-04-16 cs.AI cs.CV eess.IV
MedPromptExtract (Medical Data Extraction Tool): Anonymization and Hi-fidelity Automated data extraction using NLP and prompt engineering
Indian Institute of Technology, Bombay（印度理工学院孟买分校）；Sardar Patel Institute of Technology（萨达尔·帕特尔技术学院）；Kokilaben Dhirubhai Ambani Hospital and Medical Research Institute（科基拉本·迪鲁巴伊·安巴尼医院与医学研究所）
提出 MedPromptExtract，结合 EIGEN 匿名化、NLP 与基于 Gemini Pro 的 LLM 提示工程，从 AKI 出院小结中高保真提取十二个临床特征。
2024-09-06 cs.AI cs.IR
Overview of the MEDIQA-OE 2025 Shared Task on Medical Order Extraction from Doctor-Patient Consultations
Microsoft Healthcare & Life Sciences（微软医疗与生命科学）
临床文档越来越多地使用自动语音识别和摘要，但将对话转换为电子健康记录的可操作医嘱仍未探索。这个问题的解决方案可以显著减少临床医生的文档负担，并直接影响下游患者护理。我们介绍了MEDIQA-OE 2025共享任务，这是从医患对话中提取医疗订单的第一个挑战。六个团队参与了共享任务，并尝试了广泛的方法，以及封闭和开放重量的大语言模型（LLM）。在本文中，我们描述了MEDIQA-OE任务，数据集，最终排行榜排名和参与者的解决方案。
2025-10-30 cs.AI cs.CL
Automated Quality Control for Language Documentation: Detecting Phonotactic Inconsistencies in a Kokborok Wordlist
University of Passau（帕绍大学）；Charles University（查理大学）
本文提出无监督方法检测Kokborok词表中的音系不一致，通过字符和音节级特征识别转录错误和借词，提升语言文档数据质量。
2026-02-11 cs.CL
DeepScore: A Comprehensive Approach to Measuring Quality in AI-Generated Clinical Documentation
DeepScribe Inc.（DeepScribe公司）
本文提出DeepScribe的复合指标DeepScore，通过多维度评估与持续改进机制，解决AI生成临床文档的质量评估难题，旨在提升患者护理文档的整体质量与准确性。
2024-09-10 cs.AI cs.CL stat.AP
Automatic Documentation of ICD Codes with Far-Field Speech Recognition
Stanford University（斯坦福大学）；Rush University Medical Center（拉什大学医学中心）
文件错误增加了医疗保健成本，并导致不必要的患者死亡。作为诊断和计费的标准语言，ICD代码是全球医疗文档的基础。尽管电子医疗记录的普及，医院仍然见证了高水平的ICD错误编码。在本文中，我们提出了自动文档ICD代码与远场语音识别。远场语音发生在麦克风位于距离源几米处时，这在灵巧家庭和安全系统中很常见。我们的方法结合了声学信号处理和递归神经网络识别和ICD代码的实时的。为了评估我们的模型，我们收集了ICD-10代码的远场语音数据集，发现我们的模型达到了87%的准确率，BLEU评分为85%。通过从无监督的医学语言模型中采样，我们的方法能够优于现有的方法。总的来说，这项工作显示了自动语音识别的潜力，以提供高效，准确和具有成本效益的医疗保健文件。
2018-11-27 cs.CL cs.SD eess.AS
Fast, Structured Clinical Documentation via Contextual Autocomplete
Massachusetts Institute of Technology（麻省理工学院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）
我们提出了一个系统，使用学习自动完成机制，以促进快速创建半结构化的临床文件。我们动态地建议相关的临床概念，作为一个医生起草一份说明，利用功能，从非结构化和结构化的医疗数据。通过将我们的架构限制为浅层神经网络，我们能够实时的提出这些建议。此外，当我们的算法用于编写注释时，我们可以使用从医学词汇表中提取的临床概念的干净标签自动注释文档，使注释对于医生，患者和未来的算法来说更具结构性和可读性。据我们所知，该系统是唯一一个基于机器学习的文档工具，用于在现场医院环境中部署的临床笔记，它在真实环境中将临床概念的负担减少了67%。
2020-07-29 cs.CL cs.IR cs.LG
Automated Medical Report Generation for ECG Data: Bridging Medical Text and Signal Processing with Deep Learning
Zuse Institut Berlin（柏林Zuse研究所）；BIOTRONIK SE & Co KG（百多力公司）
本研究将深度学习驱动的图像描述生成技术应用于心电图数据，提出基于编码器-解码器的方法，利用医疗专业人员撰写的报告训练模型生成类临床医生解读，性能显著优于现有模型，源代码公开且具临床应用潜力。
2024-12-05 cs.AI cs.CL
Automated Coding of Under-Studied Medical Concept Domains: Linking Physical Activity Reports to the International Classification of Functioning, Disability, and Health
University of Pittsburgh（匹兹堡大学）；National Institutes of Health Clinical Center（美国国立卫生研究院临床中心）；The Ohio State University（俄亥俄州立大学）
将临床叙述与标准化词汇和编码系统联系起来是解锁医学文本中的信息以进行分析的关键组成部分。然而，许多领域的医学概念缺乏发达的术语，可以支持有效的编码的医学文本。我们提出了一个框架，用于开发自然语言处理（NLP）技术的自动化编码的研究类型的医疗信息，并证明其适用性通过物理移动功能的案例研究。行动能力是许多健康措施的组成部分，从急性期后护理和手术结果到慢性虚弱和残疾，并在国际功能、残疾和健康分类（ICF）中进行编码。然而，移动性和其他类型的功能活动在医学信息学中仍然研究不足，ICF和常用的医学术语都没有在实践中捕获功能状态术语。我们研究了两个数据驱动的范例，分类和候选人选择，使用物理治疗遇到的临床叙述数据集，将移动性的叙述性观察与标准化ICF代码联系起来。语言建模和词嵌入方面的最新进展被用作已建立的机器学习模型和一种新的深度学习方法的特征，在将移动活动报告与ICF代码联系起来方面实现了84%的宏观F-1评分。分类和候选人选择方法在未充分研究的领域中为自动编码提供了独特的优势，我们强调（i）小注释数据集的组合;（ii）感兴趣代码的专家定义;（iii）代表性文本语料库足以产生高性能的自动编码系统。这项研究对NLP工具在临床护理和研究中的各种专业应用的持续增长具有影响。
2021-03-10 cs.AI cs.CL
An Advanced NLP Framework for Automated Medical Diagnosis with DeBERTa and Dynamic Contextual Positional Gating
K.N. Toosi University of Technology（科努西理工大学）；Islamic Azad University（伊斯兰阿扎德大学）；Shahed University（沙希德大学）
本文提出整合数据增强、特征提取与分类技术的NLP框架，通过回译生成复述数据集，结合DeBERTa与DCPG捕捉细粒度关系，用ABFNN分类，在医疗文本诊断中取得99.78%准确率等优异结果，优于现有方法。
2025-02-11 cs.AI cs.CL
Towards Automated Anamnesis Summarization: BERT-based Models for Symptom Extraction
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）
现代医疗保健系统中的专业人员越来越多地承担着文档工作量。最初的病人病历的文件是特别相关的，形成成功的进一步诊断措施的基础。然而，手动准备的笔记本质上是非结构化的，并且通常是不完整的。在本文中，我们调查了现代NLP技术在这方面支持医生的潜力。我们提出了一个数据集的德国病人独白，并制定了一个明确的信息抽取任务的约束下，现实世界的效用和实用性。此外，我们提出了基于BERT的模型，以解决上述任务。我们可以证明模型在症状识别和症状属性提取方面的良好性能，显着优于简单的基线。
2020-11-03 cs.CL
A POS Tier Is the Key to Automated Annotation for Low-Resource Language Documentation: Neural Interlinear Glossing for Irabu, a Southern Ryukyuan Language
Kyushu University（九州大学）
研究针对濒危语言伊良部语语符标注成本高的问题，用小型BiLSTM-CRF模型构建神经标注管道。发现黄金词性标注可提升语法语符标注，词性层级能减少所需语符化数据量，虽全自动管道未完全实现增益，但为文献实践提供四线标注建议。
2026-07-16 cs.CL
Automated Question Answer medical model based on Deep Learning Technology
Satbayev University（萨塔巴耶夫大学）；Assiut University（艾斯尤特大学）；International IT University（国际信息技术大学）
人工智能现在可以为不同的问题提供更多的解决方案，尤其是在医疗领域。其中一个问题是缺乏任何特定医疗/健康相关问题的答案。互联网上充满了论坛，让人们提出一些具体的问题，并为他们得到很好的答案。然而，浏览这些问题，以找到一个类似于你自己的，也找到一个满意的答案是一个困难和耗时的任务。本研究将通过自动化生成这些问题的合格答案的过程并创建一种数字医生来解决这个问题。此外，本研究将使用RNN框架和编码器-解码器训练一个端到端模型，以生成一小部分医疗/健康问题的合理和有用的答案。使用来自各种在线服务（如WebMD，HealthTap，eHealthForums和iCliniq）的数据对所提出的模型进行了训练和评估。
2020-05-21 cs.AI cs.CL cs.LG
Automated Creation and Human-assisted Curation of Computable Scientific Models from Code and Text
GE Research（GE研究院）
科学模型是更好地理解和预测复杂系统行为的关键。科学模型的最全面的表现形式，包括支持其可用性的关键假设和参数，通常嵌入在相关的源代码和文档中，这些代码和文档可能采用各种（可能过时的）编程实践和语言。如果领域专家不熟悉代码，他们就无法完全理解科学模型的实现。此外，快速的研究和开发迭代使得跟上不断发展的科学模型代码库具有挑战性。为了应对这些挑战，我们开发了一个系统，用于自动创建和人工辅助管理可计算科学模型的知识图谱，该模型在任何相关的内联注释和外部文档的上下文中分析模型的代码。我们的系统使用知识驱动以及数据驱动的方法来识别和提取相关的概念，从文本文档的代码和方程语义注释模型使用领域术语。这些模型被转换为可执行的Python函数，然后可以进一步组成复杂的工作流，以回答不同形式的领域驱动问题。我们目前的实验结果使用数据集的代码和相关的文本来自美国宇航局的高超音速空气动力学网站。
2022-01-28 cs.AI cs.CL cs.SE
Automated text summarisation and evidence-based medicine: A survey of two domains
Macquarie University（麦考瑞大学）；CSIRO Australia（澳大利亚联邦科学与工业研究组织）
循证医学（EBM）的实践促使医生在做出临床决策时利用最新的研究证据。由于各种医学主题的大量和不断增长的出版研究，从业者经常发现自己的信息超载。因此，自然语言处理研究最近已经开始探索用于执行医学领域特定的自动文本摘要（ATS）技术的技术-针对压缩大型医学文本的任务。然而，为这项任务开发有效的摘要技术需要跨领域的知识。我们提出了一个调查的循证医学，特定领域的需求，循证医学，自动摘要技术，以及它们是如何被应用到迄今为止。我们设想，这项调查将作为第一资源，为循证医学的未来业务文本摘要技术的发展。
2017-06-25 cs.CL
A Unified Review of Deep Learning for Automated Medical Coding
Aalto University（阿尔托大学）；University of Helsinki（赫尔辛基大学）；Dalian Maritime University（大连海事大学）；KU Leuven（鲁汶大学）；University of Exeter（埃克塞特大学）；Institute for Molecular Medicine Finland (FIMM)（芬兰分子医学研究所）；Terveystalo Healthcare Services（Terveystalo医疗服务公司）；School of Health and Wellbeing, University of Glasgow（格拉斯哥大学健康与福祉学院）
该综述针对基于深度学习的自动医疗编码缺乏统一架构视角的问题，提出包含四大组件的统一框架以梳理现有模型，并介绍基准、应用及未来研究方向。
2024-05-10 cs.CL cs.IR
Towards an Automated SOAP Note: Classifying Utterances from Medical Conversations
Abridge AI, Inc.（Abridge AI 公司）
从医疗对话中生成的摘要可以提高患者对护理计划的回忆和理解，并减少医生的文档负担。自动语音识别（ASR）和自然语言理解（NLU）的最新进展为自动生成这些摘要提供了潜在的解决方案，但缺乏用于该领域基准研究的严格定量基线。在本文中，我们弥合这一差距的两个任务：从医疗对话的话语分类（i）SOAP部分和（ii）扬声器的作用。两者都是实现医疗对话的端到端、自动化SOAP注释的基本构建块。我们提供了一个数据集的详细信息，该数据集包含人类和ASR的医疗对话和相应的机器学习优化的SOAP注释。然后，我们提出了一个系统的分析，其中我们适应现有的深度学习架构，以上述两个任务。结果表明，建模上下文的层次化的方式，它捕获单词和话语水平的背景下，产生实质性的改进，这两个分类任务。此外，我们开发和分析了一个模块化的方法，使我们的模型适应ASR输出。
2020-07-27 cs.CL cs.LG
Automated Generation of Accurate \& Fluent Medical X-ray Reports
University of Alberta（阿尔伯塔大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们的论文重点是自动生成的医疗报告，从胸部X射线图像输入，一个关键的，但耗时的任务，放射科医生。与现有的倾向于生成人类可读报告的医疗报告生成工作不同，我们的目标是生成流畅且临床准确的医疗报告。这是通过我们的完全可区分和端到端的范例来实现的，该范例包含三个互补模块：以患者的胸部X射线图像和临床历史文档作为输入，我们的分类模块生成疾病相关主题的内部检查列表，称为丰富的疾病嵌入;然后将嵌入表示传递到我们基于transformer的生成器，生成医疗报告;同时，我们的生成器还产生了加权嵌入表示，并将其提供给我们的解释器，以确保与疾病相关的主题的一致性。我们的方法在常用的语言流畅性和临床准确性方面取得了令人满意的结果。此外，当额外的输入信息可用时，如临床文档和不同视图的额外扫描，可以持续观察到显著的性能提升。
2021-08-27 cs.CL
Training without training data: Improving the generalizability of automated medical abbreviation disambiguation
University of Toronto（多伦多大学）；The Hospital for Sick Children（病童医院）
由于缩写在临床环境中的频繁使用，因此缩写消歧对于自动化临床记录处理是重要的。现有的缩略语自动消歧模型受到标记训练数据的稀缺性和不平衡性的限制，降低了它们对正交源的泛化能力。在这项工作中，我们提出了一种新的数据增强技术，利用相关的医学概念，提高了我们的模型的概括能力的信息。此外，我们表明，将全球范围内的整个医疗记录的背景信息（除了传统的本地上下文窗口），可以显着提高模型的缩写表示。我们在公共数据集（MIMIC III）上训练我们的模型，并在来自不同来源的数据集（CASI，i2b2）上测试其性能。总之，这两种技术在CASI数据集上将缩写消歧的准确性提高了近14%，在i2b2上提高了4%。
2019-12-12 cs.CL cs.LG stat.ML
Comparative Experimentation of Accuracy Metrics in Automated Medical Reporting: The Case of Otitis Consultations
Utrecht University（乌得勒支大学）；Verticai；NIVEL (Netherlands institute for health services research)（荷兰健康服务研究所）
本文针对Otitis问诊的AI生成医疗报告，对比了10种准确度指标，并引入复合准确度得分，发现ROUGE-L和Word Mover's Distance为首选指标，助力减轻医疗人员行政负担。
2024-01-08 cs.CL
Automated Generation of Custom MedDRA Queries Using SafeTerm Medical Map
ClinBAY Limited（ClinBAY有限公司）
SafeTerm系统通过多维向量空间和相似度计算，实现自动生成MedDRA查询，优化查询生成的精度与召回率。
2025-12-08 cs.CL
