DALL-M: Context-Aware Clinical Data Augmentation with LLMs

X光图像在医学诊断中非常重要，但如果没有临床背景，它们的有效性就会受到限制。放射科医生经常发现胸部X光片无法诊断潜在疾病，需要综合临床特征和数据整合。我们提出了一种新技术，通过使用临床表格数据的增强技术来增强临床背景，从而提高其在AI医学诊断中的适用性和可靠性。为了解决这个问题，我们引入了一种创新的临床数据增强方法，利用大型语言模型（LLMs）生成患者上下文合成数据。这种方法对于在医疗保健领域训练更强大的深度学习模型至关重要。它保留了真实患者数据的完整性，同时通过增加上下文相关的合成特征来丰富数据集，显著提高了模型性能。DALL-M使用三阶段特征生成过程：（i）临床背景存储，（ii）专家查询生成，以及（iii）上下文感知特征增强。DALL-M通过合成胸部X光图像和报告生成新的临床相关特征。应用于MIMIC-IV数据集的9个特征的799个案例，它创建了一个增强的91个特征的数据集。这是第一项基于患者X光报告、性别和年龄生成现有和新特征的上下文值，并在数据增强过程中产生新的上下文知识的工作。包括决策树、随机森林、XGBoost和TabNET在内的机器学习模型的实证验证显示了显著的性能提高。增加增强特征使F1得分提高了16.5％，精确度和召回率提高了约25％。DALL-M解决了临床数据增强中的重要差距，为生成上下文丰富的数据集提供了一个强大的框架。

如何通过临床数据增强技术提高AI医疗诊断的可靠性和适用性？

使用大型语言模型生成患者上下文合成数据，从而增强临床背景信息，提高深度学习模型的鲁棒性。

论文介绍了一种新的临床数据增强方法，使用大型语言模型生成患者上下文合成数据，从而增强临床背景信息。实验结果表明，该方法可以显著提高机器学习模型的性能。

最近的相关研究包括使用深度学习模型进行医学图像分析和临床数据分析的研究，以及使用自然语言处理技术提高医疗诊断的研究。