طاولة اليسار 
 
 
 
 
 
 Abstract and Introduction 
 
 
 
 
 
 
 
 
 
 System Architecture 2.1  Access via UI or HTTP 2.1.1  GUI 2.2  Input 2.3  Natural Language Processing Pipeline — The Llettuce API 2.3.1  Vector search 2.3.2  LLM 2.3.3  Concept Matches 2.4  Output 
 
 
 
 
 
 
 
 
 Case Study: Medication Dataset 3.1  Data Description 3.2  Experimental Design 3.3  Results 3.3.1  Comparison between vector search and Usagi 3.3.2  Comparison with GPT-3 3.4  Conclusions & Acknowledgement 3.5  References 2 - الأكاديمية تم كتابة Llettuce باستخدام Python لكل من خلفية ومتصفح المستخدم.الخلفية تتكون من مخزون مفاتيح للبحث السلمي، وLLM المحلي لتوضيح الخرائط، ومسائل إلى قاعدة بيانات OMOP CDM متصلة لتوفير تفاصيل الخرائط المقترحة للمستخدم. 2.1 الوصول عبر UI أو HTTP يتم إجراء جميع التفاعلات مع Llettuce من خلال طلبات HTTP إلى API Llettuce. خيارات الطائرات الخيارات الثنائية، لذلك يمكن أن يكون طلب فقط قائمة من الأسماء غير الرسمية. 2.1.1 GUI بالنسبة للمستخدمين الذين لا يشعرون بالراحة مع خطة الأوامر ، يتم توفير رابط المستخدم الرسمي (GUI). هذا يتم بناء باستخدام إطار Streamlit (Streamlit, 2024) Python ، ويقدم للمستخدمين خيارين. يظهر الخريطة النصية حيث يمكن للمستخدم إدخال قائمة منفصلة من الأسماء غير الرسمية لتشغيلها من خلال الخط. يتيح للمستخدم تحميل ملف .csv واختيار صفحة تحتوي على أسماء لتشغيلها من خلال الخط. بالنسبة لكل خريطة ، يتم عرض النتائج من الخط تحت الخط. 2.2 الدخول يستخدم Llettuce FastAPI (Ramírez، 2024) لإدارة نقاط نهاية API. تتيح هذه نقاط نهاية استخدام مجموعة متنوعة من المكونات Llettuce لتحديد أسماء المفاهيم. 2.3 خطوط معالجة اللغات الطبيعية - Llettuce API 2.3.1 Vector search وقد أظهرت الدراسات التي أجراها باحثون من جامعة كاليفورنيا الأمريكية، أن إدمان الكمبيوتر يمكن أن يؤدي إلى إزعاج المستهلكين الذين يتناولون الكمبيوتر، ويساعدون في إزعاج المستهلكين الذين يتناولون الكمبيوتر، ويساعدون في إزعاج المستهلكين الذين يتناولون الكمبيوتر، ويساعدون في إزعاج المستهلكين الذين يتناولون الكمبيوتر، ويساعدون في إزعاج المستهلكين الذين يتناولون الكمبيوتر، ويساعدون في إزعاج المستهلكين الذين يتناولون الكمبيوتر، ويساعدون في إزعاج المستهلكين الذين يتناولونه. يتم استخدام المكونات الأكثر شيوعاً للإنتاج المرتفع (RAG) (Lewis et.al. ، 2021). في وضع RAG ، يتم إرسال المكونات الأكثر شيوعاً إلى قاعدة بيانات المركبات أولاً. تم تحديد حدود مشابهة المكونات حتى تكون المكونات الأكثر شيوعاً. إذا كان هناك المكونات الأكثر شيوعاً فوق هذه المكونات ، يتم توفيرها للمستخدم. إذا لم يكن هناك تنافسيات قريبة جداً ، يتم إدخال المكونات الأكثر شيوعاً إلى المكونات الأكثر شيوعاً ، والتي تستخدم كوسيلة إرسال إلى LLM ، كما يتم بحثها أدناه. الأسباب هي أن المكونات الأقل شيوعاً قد تحتوي على الإجابة ، والتي يمكن أن تختار LLM ، أو 2.3.2 LLM Llettuce يستخدم Llama.cpp (Gerganov et al., 2024) لعمل أحدث Llama LLM من Meta (Dubey et al., 2024). Llama.cpp يوفر API للتحقق من التحقق من التحقق من التحقق من التحقق من التحقق. يتم تدريب النماذج مع كل النماذج كأرقام نقطة تفتيش 32 بوصة. تم استخدام الكمية لتقليل حجم النماذج ، مع فقدان قليلا من دقة (Dettmers & Zettlemoyer ، 2023; Jacob et al., 2017). تتطلب Llama 3.1 8B الحد الأقصى أكثر من 32 جيجابايت من الذاكرة الذكية لعملها ، في حين أن النماذج الكمية 4 بوصة تتطلب أقل من 5 جيجابايت. Llettuce يستخدم Haystack (Deepset GmbH، 2024) لتصميم خطوط LLM الخاصة بها. لخطوط LLM فقط، هناك جزء واحد يستخدم اسمًا غير رسميًا ويضيفه إلى نموذج الموديل، والآخر يقدم هذا الموديل إلى LLM. يستخدم الموديل المستخدم في هذه الحالات التقنيات الموصى بها لتصميمات Llama (‘Meta-Llama/Llama-Recipes’, 2023, 17 يوليو / 2024). على سبيل المثال، يحتوي الإشارة إلى RAG على إرشادات مفصلة ومفصلة. You are an assistant that suggests formal RxNorm names for a medication. You will be given the name of a medication, along with some possibly related RxNorm terms. If you do not think these terms are related, ignore them when making your suggestion. Respond only with the formal name of the medication, without any extra explanation. هذا الجزء من الطلب يمنح أيضًا لـ LLM دورًا، وقد أثبتت تحسين التوافق في الاستجابة(Kong et al., 2024). بمجرد أن تقرر LLM اسمًا رسميًا لـ اسمًا غير رسميًا، يتم استخدام اسمًا رسميًا كاسم مفهوم في سؤال OMOP CDM المحدد. 2.3.3 Concept Matches من أجل الحصول على تفاصيل أي مفهوم من خلال خطوط Llettuce، يتم استفسار قاعدة بيانات OMOP CDM. يتم إنشاء استفسارات OMOP CDM باستخدام خرائط ذات صلة من خلال SQLAlchemy (بيير، 2012). يتم إعادة تقييم القاعدة المستخدمة في مجال الاسم الحقيقي من خلال إزالة القاعدة وتوقف الكلمات وتقسيم الكلمات مع علامات القناة للتوافق مع PostgreSQL في قراءة النص في قاعدة البيانات. على سبيل المثال، يتم إزالة القاعدة "السرطان والكافيين" مع القاعدة "و" و196 الكلمات المتبقية المستخدمة لإنشاء القاعدة "السرطان" . يتم استخدام الكلمات في هذا القسم للبحث عن النص مقابل أسماء النص من الكلمات المفردة من الكلمات المفردة من OM 2.4 الناتج على سبيل المثال، بالنسبة لبوابة تعمل على سؤال LLM و OMOP، طلب الدخول على النحو التالي: {وَمَا كَانَ لِمُؤْمِنٍ وَلَا مُؤْمِنَةٍ إِذَا قَضَى اللَّهُ وَرَسُولُهُ أَمْرًا أَنْ يَكُونَ لَهُمُ الْخِيَرَةُ مِنْ أَمْرِهِمْ} [الأحزاب:36] يعود نموذج JSON لـ "النتائج" llm_output وomop_output لكل اسم يتم إرساله إلى Llettuce. تحتوي llm_output على إجابة على الإجابة على LLM، والاسم غير الرسمي المذكور في الطلب، والبيانات الموصى بها عن إجراء LLM. يحتوي الحدث omop_output على search_term المرسلة إلى OMOP-CDM ، ثم على مجموعة CONCEPT ، حيث يكون كل نقطة تنافسية تتوافق مع الحد الأقصى المحدد على توازن الشريط الفكري. يحتوي كل نقطة على concept_name ، concept_id ، vocabulary_id ، و concept_code من جدول الفكرة OMOP-CDM ، ثم على concept_name_similarity_score المحدد في Llettuce. يقوم GUI بتحليل هذا ويعرضه في شكل أكثر صحة للمستخدم. 
 
 
 
 
 
 
 
 
 
 
 
 
 المؤلفين : (1) James Mitchell-White ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام ، خدمة البحث الرقمي ، جامعة نوتينغام ، و NIHR Nottingham Biomedical Research Center ؛ (2) Reza Omdivar ، خدمة البحث الرقمي ، جامعة نوتينغام ، و NIHR مركز البحث البيولوجي نوتينغام ؛ (3) Esmond Urwin ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام و NIHR Nottingham Biomedical Research Center ؛ (4) Karthikeyan Sivakumar ، خدمة البحوث الرقمية ، جامعة نوتينغام ؛ (5) Ruizhe Li, NIHR مركز الدراسات البيولوجية نوتينغام ومدرسة علوم الكمبيوتر, جامعة نوتينغام; (6) أندري راي ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام ؛ (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, جامعة نانيانغ التكنولوجية, سنغافورة. (8) Theresia Mina, Lee Kong Chian School of Medicine, جامعة نانيانغ التكنولوجية, سنغافورة; (9) جون شيبرس، مدرسة لي كونغ كايان للطب، جامعة نانيانغ التكنولوجية، سنغافورة، ومدرسة العلوم الطبية والبيولوجية، مدرسة الصحة العامة، كلية لندن الإمبراطورية، المملكة المتحدة. (10) Grazziela Figueredo، مركز المعلومات الصحية، كلية الطب، جامعة نوتينغام ومستشفى NIHR نوتينغام للبحوث البيولوجية؛ (11) فيليب R Quinlan ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام. Authors: (1) James Mitchell-White ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام ، خدمة البحث الرقمي ، جامعة نوتينغام ، و NIHR Nottingham Biomedical Research Center ؛ (2) Reza Omdivar ، خدمة البحث الرقمي ، جامعة نوتينغام ، و NIHR مركز البحث البيولوجي نوتينغام ؛ (3) Esmond Urwin ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام و NIHR Nottingham Biomedical Research Center ؛ (4) Karthikeyan Sivakumar ، خدمة البحوث الرقمية ، جامعة نوتينغام ؛ (5) Ruizhe Li, NIHR مركز الدراسات البيولوجية نوتينغام ومدرسة علوم الكمبيوتر, جامعة نوتينغام; (6) أندري راي ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام ؛ (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, جامعة نانيانغ التكنولوجية, سنغافورة. (8) Theresia Mina, Lee Kong Chian School of Medicine, جامعة نانيانغ التكنولوجية, سنغافورة; (9) جون شيبرس، مدرسة لي كونغ كايان للطب، جامعة نانيانغ التكنولوجية، سنغافورة، ومدرسة العلوم الطبية والبيولوجية، مدرسة الصحة العامة، كلية لندن الإمبراطورية، المملكة المتحدة. (10) Grazziela Figueredo، مركز المعلومات الصحية، كلية الطب، جامعة نوتينغام ومستشفى NIHR نوتينغام للبحوث البيولوجية؛ (11) فيليب R Quinlan ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام. 
 
 هذه الوثيقة متوفرة في archiv تحت رخصة CC BY 4.0. هذه الرسالة هي تحت تصريح CC BY 4.0. متوفرة في Archive

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

EScholar Technologies

EScholar

تم إنتاج هذا الصوت باللغة الأصلية للقصة!

Llettuce: أداة الذكاء الاصطناعي لتعديل الملفات الطبية Messy إلى الكود القياسي

About Author

تعليقات

شنق العلامات

تم تقديم هذه المقالة في

Related Stories

Top Industries Which Can Benefit From Augmented Reality App Development

Top Ecommerce Development Companies

Anomaly Detection of Time Series Data using Machine Learning & Deep Learning

How can AR, IoT, Blockchain and Chatbots redefine Customer Experience

Top Industries Which Can Benefit From Augmented Reality App Development

Top Ecommerce Development Companies

Anomaly Detection of Time Series Data using Machine Learning & Deep Learning

How can AR, IoT, Blockchain and Chatbots redefine Customer Experience

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps