目的:分析大语言模型在医疗领域应用的研究现状、研究主题及发展趋势。方法:在PubMed数据库检索到相关文献518篇,进行文献计量分析。应用潜在狄利克雷分配模型进行主题建模,以Python作为文献计量分析算法编程语言,采用Gephi进行可视化...目的:分析大语言模型在医疗领域应用的研究现状、研究主题及发展趋势。方法:在PubMed数据库检索到相关文献518篇,进行文献计量分析。应用潜在狄利克雷分配模型进行主题建模,以Python作为文献计量分析算法编程语言,采用Gephi进行可视化分析。结果:论文发表量的变化趋势显示近年来大语言模型研究稳步快速增长;该领域文章发表数量最多的期刊是Journal of Medical Internet Research,文章发表数量最多的国家为美国,论文发表量最高的机构是加利福尼亚大学;Geoff Hollis和Siru Liu是该领域的高产作者。结论:大语言模型的研究在医学领域引起了广泛关注。大语言模型不仅为临床辅助决策、医疗记录管理和药物开发提供了新的工具,还促进了智能助手、医学教育及与患者沟通的改进。然而,其开发和应用仍然面临诸多挑战。展开更多
文摘现有的基于图神经网络(Graph Neural Network,GNN)的欺诈检测方法还存在三个方面的不足:(1)没有充分考虑到样本标签分布不平衡的问题;(2)没有考虑欺诈者为了躲避检测器的检测,故意制造噪声干扰检测的问题;(3)没有考虑欺诈类型数据联系稀疏问题.为此,本文提出一种基于噪声过滤与特征增强的图神经网络欺诈检测方法NFE-GNN(Noise Filtering and feature Enhancement based Graph Neural Network method for fraud detection)来改善欺诈检测性能.该方法首先基于数据集的欺诈率对样本进行平衡采样;在此基础上,采用一个参数化距离函数计算节点间的相似度,并通过强化学习得到最优的噪声过滤阈值;最后,通过创建欺诈样本间的联系,丰富拓扑信息,以达到增强欺诈类特征嵌入表示的目的.在两个公开数据集上的实验结果表明,本文所提NFE-GNN方法的性能优于目前主流的图神经网络欺诈检测方法.
文摘目的:分析大语言模型在医疗领域应用的研究现状、研究主题及发展趋势。方法:在PubMed数据库检索到相关文献518篇,进行文献计量分析。应用潜在狄利克雷分配模型进行主题建模,以Python作为文献计量分析算法编程语言,采用Gephi进行可视化分析。结果:论文发表量的变化趋势显示近年来大语言模型研究稳步快速增长;该领域文章发表数量最多的期刊是Journal of Medical Internet Research,文章发表数量最多的国家为美国,论文发表量最高的机构是加利福尼亚大学;Geoff Hollis和Siru Liu是该领域的高产作者。结论:大语言模型的研究在医学领域引起了广泛关注。大语言模型不仅为临床辅助决策、医疗记录管理和药物开发提供了新的工具,还促进了智能助手、医学教育及与患者沟通的改进。然而,其开发和应用仍然面临诸多挑战。
