
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用大型语言模型从阻塞性睡眠呼吸暂停患者的真实多导睡眠图报告中提取特征
《Scientific Reports》:Feature extraction from real-world polysomnography reports of obstructive sleep apnea cohort using large language model
【字体: 大 中 小 】 时间:2026年07月13日 来源:Scientific Reports 4.9
编辑推荐:
摘要电子健康记录是生成现实世界证据的重要资源。然而,由于这些记录多为以图像格式存储的非结构化文本,或是各种扫描件和图片的集合,因此难以高效提取数据特征。随着计算机视觉技术和大型语言模型的发展,有了更多机会利用它们来解决这些难题。本文探讨了利用计算机视觉和大型语言模型从泰国一家三级
电子健康记录是生成现实世界证据的重要资源。然而,由于这些记录多为以图像格式存储的非结构化文本,或是各种扫描件和图片的集合,因此难以高效提取数据特征。随着计算机视觉技术和大型语言模型的发展,有了更多机会利用它们来解决这些难题。本文探讨了利用计算机视觉和大型语言模型从泰国一家三级医院睡眠实验室中心获得的多导睡眠图报告中的文本图像中提取数据的潜力。我们采用了两阶段方法:(1)使用EasyOCR Python库中的差分二值化网络从基于图像的多导睡眠图报告中提取文本;(2)通过针对特定任务的提示策略,利用ChatGPT-3.5从提取的文本中获取特征值。我们对转换过程的不同阶段进行了性能测试。结果表明,计算机视觉和大型语言模型有望大幅提升用于证据整合的特征提取效率。在两个阶段中,最常见的错误为数字、符号和字符编码错误。ChatGPT-3.5能够可靠地从睡眠报告中提取特征,而通过优化提示策略还能进一步减少错误。尽管前景广阔,但我们强调需要在对不同质量及条件的文档进行广泛测试后,才能充分了解在现实场景中运用计算机视觉和大型语言模型进行特征提取时所面临的挑战与问题。