基于深度神经网络的特征编码方法，用于在在线通信系统中利用大型人工智能模型实现自动健康监测

《ACM Transactions on Internet of Things》：Deep Neural Network-Based Feature Encoding for Automated Health Monitoring Using Large AI Models in Online Communication Systems

临床信息检索中的混合模型研究提出基于Transformer的序列多模态方法（TBS），整合深度神经网络与大型语言模型优势，解决用户依赖问题如临床报告知识编码、实时数据访问和在线决策系统微调需求，在预测任务和医疗搜索中实现F1=0.83-0.80的准确率提升，验证AI驱动医疗记录分析对改善患者结局和个性化护理的潜力。

　　

摘要

该混合模型结合了深度神经网络（DNN）和大型人工智能模型（如大型语言模型（LLM）），以增强从电子临床记录（ECR）中检索临床信息（CIR）的能力。尽管LLM在编码复杂医疗数据方面显示出潜力，但它们在处理用户特定信息（如包含编码知识的患者报告）、访问实时数据以及在线通信系统中进行临床决策所需的精细调优方面面临挑战。为了解决这些问题，我们提出了一种基于Transformer的序列处理（TBS）多模态方法，该方法将表示学习与人类专业知识相结合，以编码和分析临床数据中的复杂关系。该模型提升了预测任务和医疗搜索的准确性，F1分数达到了0.83-0.80，并优于基线方法。将人工智能驱动的方法整合到医疗保健中，有潜力改变医疗记录的分析和利用方式，从而改善患者的治疗效果并提供更加个性化的医疗服务。