arXiv:2510.23884cs.CL2025-10
用冻结大模型分析病历数据，零微调实现精准阿尔茨海默病早期预测。
Language Models for Longitudinal Clinical Prediction
- 将患者病史融入语言模型空间，无需微调即可建模时序临床数据。
- 在少量训练数据下对神经心理评估实现高精度可靠预测。
- 适合资源有限的医疗场景，尤其适用于早期阿尔茨海默病监测。
我们探索了一种轻量级框架，将冻结的大语言模型适配于纵向临床数据的分析。该方法在语言模型空间内整合患者病史与上下文信息，无需模型微调即可生成准确预测。应用于神经心理评估时，即使训练数据极少，仍能实现准确可靠的性能，展现出在阿尔茨海默病早期监测中的潜力。
原文摘要 · Abstract (English)
We explore a lightweight framework that adapts frozen large language models to analyze longitudinal clinical data. The approach integrates patient history and context within the language model space to generate accurate forecasts without model fine-tuning. Applied to neuropsychological assessments, it achieves accurate and reliable performance even with minimal training data, showing promise for early-stage Alzheimer's monitoring.
临床预测大模型纵向数据
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。