通过研究769份乳腺癌病理报告，发现GPT-4模型在零样本分类和监督分类方面优于GPT-3.5模型。LLMs可以减轻数据标注负担，但使用带有大规模标注数据集的简单监督模型也能提供可比较的结果。LLMs可以加快临床自然语言处理研究的执行速度，提高NLP在临床观察研究中的利用率。

该研究使用循环神经网络自编码器进行无监督特征提取和双用途评估网络进行监督分类和新颖性检测。研究表明同时训练自编码器和估计网络可以加快自编码器收敛速度，提高分类和新颖性检测性能。估计网络在使用预训练自编码器特征进行优化时也能提供额外的新颖性检测能力。

该论文提出了一种结合人工训练集和监督分类的无监督隐写分析方法，解决了Cover Source Mismatch的问题，并在大多数测试案例中超过了基于RichModels的先前方法。该方法的通用性证明可推广到类似的分类问题。

本文介绍了强化学习问题和监督分类问题之间的等价性，提出了一种新的损失函数——Scope Loss。作者发现探索和利用权衡问题等同于数据集不平衡问题，并发现了它们在解决方法上的相似之处。Scope Loss 可以调整梯度，防止过度利用和数据集不平衡导致的性能损失，而无需任何调整。作者在基准强化学习任务和一个倾斜的分类数据集上测试了 Scope Loss，并证明其优于其他损失函数。