大型语言模型(LLM)的最新进展引起了人们的关注,因为在大规模数据集中鉴定的学识渊博的嵌入者在各种下游应用程序中表现出强大的ABIL。ever llms学到的知识是否可以转移到未知的临床心脏病学上。在这项工作中,我们的目标是通过将LLM的知识转移到临床心电图(ECG)来弥合这一差距。我们提出了一种用于心脏疾病诊断和自动ECG Di-Agnosis报告生成的方法。我们还通过最佳传输(OT)引入了额外的损失函数,以使ECG和语言嵌入之间的分布对齐。在下游任务上评估了学习的嵌入:(1)自动ECG诊断报告一代,以及(2)零射的心血管疾病检测。我们的方法也能够发电高质量的心脏诊断报告,并且即使与超级相比,也可以实现竞争性的零射击分类性能,这证明了将知识从LLMS转移到Car-diac领域的可行性。
主要关键词
![arxiv:2301.09017v2 [CS.CL] 2023年2月4日PDF文件第1页](/bimg/a/a3c082e88d1b7bc0b3c175e0a81865ed6502f53c.webp)
![arxiv:2301.09017v2 [CS.CL] 2023年2月4日PDF文件第2页](/bimg/a/a0b152f537a982acd4f63a6fc21e1ed8a8bdd4f3.webp)
![arxiv:2301.09017v2 [CS.CL] 2023年2月4日PDF文件第3页](/bimg/2/2a0a480d24d3af2440988400f77d944519fed556.webp)
![arxiv:2301.09017v2 [CS.CL] 2023年2月4日PDF文件第4页](/bimg/3/3590dfa3b0a83d1e6f990763f3518a4688b4232e.webp)
![arxiv:2301.09017v2 [CS.CL] 2023年2月4日PDF文件第5页](/bimg/9/920de64900abc968030d0b827ab419b0bcdee4ef.webp)
