Name: Erweiterung großer Sprachmodelle durch Vektoreinbettungen zur Verbesserung der domänenspezifischen Reaktionsfähigkeit (Video) | JoVE Journal
Uploaded: 2024-12-06T12:20:00.000+00:00
Duration: 3 min 14 s
Description: Erfahren Sie, wie Vektoreinbettungen große Sprachmodelle für domänenspezifische Anwendungen im Gesundheitswesen erweitern. Diese Methode verbessert die Reaktionsqualität und ermöglicht Vergleiche verschiedener Modelle.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<meta charset="utf8"></head><body>Einbettung von Methoden zur Integration wissenschaftlicher Manuskripte in große Sprachmodelle

<ol><li>Singhal, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large+language+models+encode+clinical+knowledge%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Large language models encode clinical knowledge.</a> Nature. 620 (7972), 172-180 (2023).</li>
<li>Gilson, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+does+ChatGPT+perform+on+the+United+States+medical+licensing+examination%3F+The+implications+of+large+language+models+for+medical+education+and+knowledge+assessment%5BTitle%5D)+AND+%22JMIR+Med+Educ%22%5BJournal%5D)">How does ChatGPT perform on the United States medical licensing examination? The implications of large language models for medical education and knowledge assessment.</a> JMIR Med Educ. 9 (1), e45312(2023).</li>
<li>Guerra, G. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GPT-4+artificial+intelligence+model+outperforms+ChatGPT%2C+medical+students%2C+and+neurosurgery+residents+on+neurosurgery+written+board-like+questions%5BTitle%5D)+AND+%22World+Neurosurg%22%5BJournal%5D)">GPT-4 artificial intelligence model outperforms ChatGPT, medical students, and neurosurgery residents on neurosurgery written board-like questions.</a> World Neurosurg. 179, e160-e165 (2023).</li>
<li>Terwiesch, C. Would Chat GPT3 get a Wharton MBA? A prediction based on its performance in the Operations Management course. , 
 <a target="_blank" href="https://mackinstitute.wharton.upenn.edu/wp-content/uploads/2023/01/Christian-Terwiesch-Chat-GTP.pdf">https://mackinstitute.wharton.upenn.edu/wp-content/uploads/2023/01/Christian-Terwiesch-Chat-GTP.pdf</a> (2023).</li>
<li>Weizenbaum, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ELIZA-a+computer+program+for+the+study+of+natural+language+communication+between+man+and+machine%5BTitle%5D)+AND+%22Communications+of+the+ACM%22%5BJournal%5D)">ELIZA-a computer program for the study of natural language communication between man and machine.</a> Communications of the ACM. 9 (1), 36-45 (1966).</li>
<li>Wu, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+brief+overview+of+ChatGPT%3A+The+history%2C+status+quo+and+potential+future+development%5BTitle%5D)+AND+%22IEEE%2FCAA+Journal+of+Automatica+Sinica%22%5BJournal%5D)">A brief overview of ChatGPT: The history, status quo and potential future development.</a> IEEE/CAA Journal of Automatica Sinica. 10 (5), 1122-1136 (2023).</li>
<li>Touvron, H., et al. Llama 2: Open foundation and fine-tuned chat models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2307.09288">http://arxiv.org/abs/2307.09288</a> (2023).</li>
<li>Huang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+survey+on+hallucination+in+large+language+models%3A+Principles%2C+taxonomy%2C+challenges%2C+and+open+questions%5BTitle%5D)+AND+%22arXiv+%5Bcs.CL%5D%22%5BJournal%5D)">A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions.</a> arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2311.05232">http://arxiv.org/abs/2311.05232</a> (2023).</li>
<li>Thirunavukarasu, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large+language+models+in+medicine%5BTitle%5D)+AND+%22Nature+Med%22%5BJournal%5D)">Large language models in medicine.</a> Nature Med. 29 (8), 1930-1940 (2023).</li>
<li>Lewis, P., et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2005.11401">http://arxiv.org/abs/2005.11401</a> (2020).</li>
<li>Li, J., Yuan, Y., Zhang, Z. Enhancing LLM factual accuracy with RAG to counter hallucinations: A case study on domain-specific queries in private knowledge-bases. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2403.10446">http://arxiv.org/abs/2403.10446</a> (2024).</li>
<li>Zhang, P., Xiao, S., Liu, Z., Dou, Z., Nie, J. -Y. Retrieve anything to augment large language models. arXiv [cs.IR]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.07554">http://arxiv.org/abs/2310.07554</a> (2023).</li>
<li>Ling, C., et al. Domain specialization as the key to make large language models disruptive: A comprehensive survey. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2305.18703">http://arxiv.org/abs/2305.18703</a> (2023).</li>
<li>Ram, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In-Context+retrieval-augmented+language+models%5BTitle%5D)+AND+%22Trans+Assoc+Comput+Linguist%22%5BJournal%5D)">In-Context retrieval-augmented language models.</a> Trans Assoc Comput Linguist. 11, 1316-1331 (2023).</li>
<li>Cormode, G. Sequence distance embeddings. , The University of Warwick. 
 <a target="_blank" href="https://wrap.warwick.ac.uk/61310/7/WRAP_THESIS_Cormode_2003.pdf">https://wrap.warwick.ac.uk/61310/7/WRAP_THESIS_Cormode_2003.pdf</a> (2003).</li>
<li>Guo, Z., et al. Evaluating large language models: A comprehensive survey. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.19736">http://arxiv.org/abs/2310.19736</a> (2023).</li>
<li>Chicago Consensus Working Group. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Chicago+Consensus+Guidelines+for+peritoneal+surface+malignancies%3A+Introduction%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">The Chicago Consensus Guidelines for peritoneal surface malignancies: Introduction.</a> Cancer. 126 (11), 2510-2512 (2020).</li>
<li>Wang, G., et al. OpenChat: Advancing open-source language models with mixed-quality data. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2309.11235">http://arxiv.org/abs/2309.11235</a> (2023).</li>
<li>Jiang, A. Q., et al. Mistral 7B. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.06825 ">http://arxiv.org/abs/2310.06825 </a> (2023).</li>
<li>Megahed, F. M., et al. AI and the future of work in statistical quality control: Insights from a first attempt to augmenting ChatGPT with an SQC knowledge base (ChatSQC). arXiv [cs.HC]. , 
 <a target="_blank" href="http://arxiv.org/abs/2308.13550">http://arxiv.org/abs/2308.13550</a> (2023).</li>
<li>Wang, Y., Ma, X., Chen, W. Augmenting black-box LLMs with medical textbooks for clinical question answering. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2309.02233">http://arxiv.org/abs/2309.02233</a> (2023).</li>
<li>Dodge, J., et al. Measuring the carbon intensity of AI in cloud instances. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDodge%2C+J+%22FACCT+2022%22">FACCT 2022</a>. , (2022).</li>
<li>Samsi, S., et al. From words to watts: Benchmarking the energy costs of large language model inference. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.03003">http://arxiv.org/abs/2310.03003</a> (2023).</li>
<li>Khene, Z. -E., Bigot, P., Mathieu, R., Rouprêt, M., Bensalah, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+a+personalized+chat+model+based+on+the+European+association+of+urology+oncology+guidelines%3A+Harnessing+the+power+of+generative+artificial+intelligence+in+clinical+practice%5BTitle%5D)+AND+%22Eur+Urol+Oncol%22%5BJournal%5D)">Development of a personalized chat model based on the European association of urology oncology guidelines: Harnessing the power of generative artificial intelligence in clinical practice.</a> Eur Urol Oncol. 7 (1), 160-162 (2024).</li>
<li>Kresevic, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimization+of+hepatological+clinical+guidelines+interpretation+by+large+language+models%3A+a+retrieval+augmented+generation-based+framework%5BTitle%5D)+AND+%22NPJ+Digit+Med%22%5BJournal%5D)">Optimization of hepatological clinical guidelines interpretation by large language models: a retrieval augmented generation-based framework.</a> NPJ Digit Med. 7 (1), 102(2024).</li>
<li>Ge, J., et al. Development of a liver disease-specific large language model chat interface using retrieval augmented generation. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGe%2C+J+%22medRxiv%22">medRxiv</a>. , (2023).</li>
<li>Rule-augmented artificial intelligence-empowered systems for medical diagnosis using large language models. Panagoulias, D. P., et al. 2023 IEEE 35th International Conference on Tools with Artificial Intelligence (ICTAI), , 70-77 (2023).</li>
<li>Panagoulias, D. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Augmenting+large+language+models+with+rules+for+enhanced+domain-specific+interactions%3A+The+case+of+medical+diagnosis%5BTitle%5D)+AND+%22Electronics%22%5BJournal%5D)">Augmenting large language models with rules for enhanced domain-specific interactions: The case of medical diagnosis.</a> Electronics. 13 (2), 320(2024).</li>
<li>Jin, Q., et al. Matching patients to clinical trials with large language models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2307.15051">http://arxiv.org/abs/2307.15051</a> (2023).</li>
<li>Gupta, S. K., et al. PRISM: Patient records interpretation for semantic clinical trial matching using large language models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2404.15549">http://arxiv.org/abs/2404.15549</a> (2024).</li>
<li>Hendrycks, D., et al. Measuring massive multitask language understanding. arXiv [cs.CY]. , 
 <a target="_blank" href="http://arxiv.org/abs/2009.03300">http://arxiv.org/abs/2009.03300</a> (2020).</li>
<li>Lin, S., Hilton, J., Evans, O. TruthfulQA: Measuring how models mimic human falsehoods. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2109.07958">http://arxiv.org/abs/2109.07958</a> (2021).</li>
<li>Bommasani, R., Liang, P., Lee, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Holistic+evaluation+of+language+models%5BTitle%5D)+AND+%22Ann+N+Y+Acad+Sci%22%5BJournal%5D)">Holistic evaluation of language models.</a> Ann N Y Acad Sci. 1525 (1), 140-146 (2023).</li>
<li>Banerjee, D., Singh, P., Avadhanam, A., Srivastava, S. Benchmarking LLM powered Chatbots: Methods and Metrics. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2308.04624">http://arxiv.org/abs/2308.04624</a> (2023).</li>
<li>Papineni, K., Roukos, S., Ward, T., Zhu, W. -J. Bleu. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics - ACL '02. , (2001).</li>
<li>Wang, A., Singh, A., Michael, J., Hill, F., Levy, O., Bowman, S. R. Glue: A multi-task benchmark and analysis platform for natural language understanding. , 
 <a target="_blank" href="http://arxiv.org/abs/1804.07461">http://arxiv.org/abs/1804.07461</a> (2019).</li>
<li>Johnson, D., et al. Assessing the accuracy and reliability of AI-generated medical responses: An evaluation of the chat-GPT model. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aJohnson%2C+D+%22Res+Sq%22">Res Sq</a>. , (2023).</li>
<li>Lin, C. -Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ROUGE%3A+A+package+for+automatic+evaluation+of+summaries%5BTitle%5D)+AND+%22Text+Summarization+Branches+Out%22%5BJournal%5D)">ROUGE: A package for automatic evaluation of summaries.</a> Text Summarization Branches Out. , 74-81 (2004).</li>
<li>Chen, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+ChatGPT+family+of+models+for+biomedical+reasoning+and+classification%5BTitle%5D)+AND+%22J+Am+Med+Inform+Assoc%22%5BJournal%5D)">Evaluating the ChatGPT family of models for biomedical reasoning and classification.</a> J Am Med Inform Assoc. 31 (4), 940-948 (2024).</li>
</ol>

<table><tbody><tr><td>pip3 Version 22.0.2&nbsp;</td><td></td><td></td><td></td></tr><tr><td>Python-Version 3.10.12</td><td></td><td></td><td></td></tr></tbody></table>

erweiterung großer sprachmodelle durch vektoreinbettungen zur verbesserung der domänenspezifischen reaktionsfähigkeit

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Ein Satz von 22 Veröffentlichungen aus den Managementrichtlinien der Chicago Consensus Working Group wurde verwendet, um das Basismodell Llama-7b zu ergänzen17. Die Dokumente wurden mit dem Tool Llama-Index in einen Vektorindex umgewandelt, um Llama-2-7b-CCWG-Embed zu generieren. Beliebte OpenAI-Modelle wie GPT-3.5 und GPT-4 wurden ebenfalls auf ähnliche Weise erweitert, um GPT-XX-CCWG-Embed-Modelle zu erzeugen. Insgesamt wurden 20 Multiple-Choice-Fragen (MCQ) entwickelt, um das Wissen im Zusammenhang mit der Behandlung einer Vielzahl von malignen Erkrankungen der peritonealen Oberfläche zu bewerten. Die MCQs wurden von einem staatlich geprüften chirurgischen Onkologen erstellt, um auf dem Wissensstand zu testen, der von einem Stipendiaten für chirurgische Onkologie erwartet wird. Llama-2-7b-CCWG-Embed schnitt signifikant besser ab als das Basismodell (siehe Tabelle 1), ebenso wie erweiterte OpenAI-Modelle. Dies wird als positives Ergebnis für diese Methode angesehen, da die Modellleistung durch Augmentation im Vergleich zum Ausgangswert verbessert wurde.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66796/66796fig01.jpg"> 
Abbildung 1: Schematische Darstellung der Generierung einer Vektordatenbank aus wissenschaftlichen Arbeiten. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66796/66796fig02.jpg"> 
Abbildung 2: Gesamtsystemdiagramm für Augmented LLM. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig02large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66796/66796fig03.jpg"> 
Abbildung 3: Erweitertes Llama-2-Modell, das im Linux-Terminal ausgeführt wird. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig03large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66796/66796fig04.jpg"> 
Abbildung 4: Abfrageergebnis des erweiterten Llama-2-Modells. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig04large.jpg" target="_blank">Klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>LLM</td>
			<td>Punktzahl (% richtig)</td>
		</tr>
		<tr>
			<td>Lama-2-7b-chat-hf</td>
			<td>65%</td>
		</tr>
		<tr>
			<td>Lama-2-7B-CCWG-Einbetten</td>
			<td>75%</td>
		</tr>
		<tr>
			<td>Offenchat-3.5-010618</td>
			<td>65%</td>
		</tr>
		<tr>
			<td>Mistral-7B-v0.119</td>
			<td>70%</td>
		</tr>
		<tr>
			<td>GPT-3.5</td>
			<td>75%</td>
		</tr>
		<tr>
			<td>GPT-3.5-CCWG-Einbetten</td>
			<td>85%</td>
		</tr>
		<tr>
			<td>GPT-4</td>
			<td>85%</td>
		</tr>
		<tr>
			<td>GPT-4-CCWG-Einbetten</td>
			<td>90%</td>
		</tr>
	</tbody>
</table>
Tabelle 1: Punktzahlen (prozentual korrekt) verschiedener LLMs bei einem Satz von 20 Fragen zum Management von peritonealen Malignomen.

Erweiterung großer Sprachmodelle durch Vektoreinbettungen zur Verbesserung der domänenspezifischen Reaktionsfähigkeit

Large language models (LLMs) have emerged as a popular resource for generating information relevant to a user query. Such models are created through a ...

augmenting-large-language-models-via-vector-embeddings-to-improve

Research

Forschung

JoVE Journal

Medicine

Medizin

In diesem Artikel wird RUGGED (Retrieval Under Graph-Guided Explainable disease Distinction) beschrieben, das die Inferenz des Large Language Model (LLM) mit der Retrieval-Augmented Generation (RAG) integriert. Es stützt sich auf Erkenntnisse aus von Experten kuratierten biomedizinischen Wissensdatenbanken und biomedizinischen Publikationen, um neues Wissen aus aktuellen Informationen zu synthetisieren, erklärbare und umsetzbare Vorhersagen zu identifizieren und vielversprechende Richtungen für...

Evidenzbasierte Wissenssynthese und Hypothesenvalidierung: Navigieren in biomedizinischen Wissensdatenbanken mit erklärbarer KI und agentischen Systemen

Wir schlagen einen auf Reinforcement Learning basierenden Feinabstimmungsansatz für große Sprachmodelle vor, der den Enti Hallucination Index (EHI) als Belohnungssignal nutzt, um Halluzinationen auf Entitätsebene in Textzusammenfassungen zu reduzieren. Experimente mit Protokollen zeigen, dass diese Methode die Treue und Genauigkeit der Entitäten verbessert.

Feinabstimmung großer Sprachmodelle unter Verwendung des Entitätshalluzinationsindex zur Textzusammenfassung

RNA-Interferenz (RNAi) besitzt viele Vorteile gegenüber der Gen-Knockout und wurde allgemein als ein Werkzeug in der Gen-funktionelle Studien verwendet. Die Erfindung des DNA-Vektor-basierte RNAi-Technologie hat langfristig und induzierbare Gen Knockdown möglich gemacht haben, und erhöhte auch die Machbarkeit von...

DNA-Vektor-basierte RNA-Interferenz, um Genfunktionen in Cancer Study

Wir erforschen die Verwendung von repetitiven transkraniellen Magnetstimulation (rTMS) zur sprachlichen Fähigkeiten bei Patienten mit chronischem Schlaganfall und Aphasie nicht verbessern. Nach der Identifizierung einer Website in der rechten frontalen Gyrus für jeden Patienten die optimal reagiert auf Stimulation, zielen wir diesen Ort während zehn Tagen rTMS Behandlung.

Verwendung Repetitive Transkranielle Magnetstimulation zur Sprache Funktion bei Schlaganfall-Patienten mit chronischer Non-fließend Aphasie verbessern

Die meisten Studien mit dem Langendorff-Apparat verwenden Kleintiermodelle aufgrund der erhöhten Komplexität von Systemen für größere Säugetiere. Wir beschreiben ein Langendorff-System für Großtiermodelle, das den Einsatz bei einer Reihe von Spezies, einschließlich des Menschen, und eine relativ einfache Datenerfassung ermöglicht.

Eine isolierte Arbeits Herz-System für Großtiermodelle

Dieses Protokoll beschreibt die Anwendung von Hochfrequenz-Ultraschall (HFUS) zum Abbilden der Maus Lymphknoten. Diese Technik optimiert die Visualisierung und Quantifizierung der zervikalen Lymphknoten-Morphologie, Volumen und Durchblutung. Bild-geführte Biopsie der Lymphknoten und Verarbeitung von Lymphgewebe zur histologischen Auswertung wird auch gezeigt.

Hochfrequenz-Ultraschall-Bildgebung der Maus Halslymphknoten

Dieses Manuskript beschreibt, wie die virale vektorvermittelte lokale Genabgabe eine attraktive Möglichkeit bietet, Transgene im zentralen Nervensystem zu exprimieren.  Das Protokoll beschreibt alle wichtigen Schritte zur Durchführung einer viralen Vektorinjektion in die Substantia nigra der Ratte, um ein auf viralen Vektoren basierendes Tiermodell für die Parkinson-Krankheit zu entwickeln.

Entwicklung eines Alpha-Synuklein Based Rattenmodell für Parkinson-Krankheit durch stereotaktische Injektion eines rekombinanten Adeno-assoziierten viralen Vektor,

Es ist eine Forderung, prä-klinischen Tests für eine neuartige Klasse von "Orphan" Medikamenten, den sogenannten pharmakologischer Chaperonen reproduzierbar, schnell und effizient zu machen. Wir entwickelten einen einfache, hoch standardisiert und vielseitige Zelle kulturbasierte Assay zum Bildschirm für geeignete Patienten sowie neuartige pharmakologische Chaperon Medikamente.

In-vitro- Enzym-Messung, Test pharmakologische Chaperon Reaktionsfähigkeit in Fabry und Morbus Pompe

Die intratracheale (IT) Verabreichung von Versuchsmitteln bei Mäusen führt oft zu einer asymmetrischen Abgabe in die distale Lunge.  In diesem Bericht beschreiben wir einen direkten intrabronchialen (IB) Ansatz, um jede Lunge bei lebenden Mäusen nicht operativ zu nulaten.  Dieser Ansatz kann verwendet werden, um Wirkstoffe selektiv in eine Lunge zu verabreichen, oder kann angepasst werden, um die symmetrische Wirkstoffabgabe in beide Lungen zu verbessern.

Direkte intrabronchiale Verabreichung zur Verbesserung der selektiven Agentenablagerung innerhalb der Mauslunge

In-vitro-Modelle der koronaren Angiogenese können für die Entdeckung der zellulären und molekularen Mechanismen der koronaren Angiogenese verwendet werden. In-vitro-Explantationskulturen von Sinusvenosus und Endokardgewebezeigen weisen als Reaktion auf VEGF-A ein robustes Wachstum auf und weisen ein ähnliches Muster der COUP-TFII-Expression auf wie in vivo.

In Vitro Modell der koronaren Angiogenese

Erfahren Sie, wie Vektoreinbettungen große Sprachmodelle für domänenspezifische Anwendungen im Gesundheitswesen erweitern. Diese Methode verbessert die Reaktionsqualität und ermöglicht Vergleiche verschiedener Modelle.

Erweiterung großer Sprachmodelle durch Vektoreinbettungen zur Verbesserung der domänenspezifischen Reaktionsfähigkeit

Weitere Videos entdecken