Enlace de la entidad médica en entornos de bajos recursos con LLM sin ajuste fino

Área de la Ciencia:

• Procesamiento del lenguaje natural biomédico
• Inteligencia artificial
• La informática médica

Sus antecedentes:

• La vinculación de entidades médicas alinea las menciones de texto con los conceptos de ontología estandarizados.
• Los métodos existentes a menudo requieren datos extensos y recursos computacionales.
• Los modelos supervisados y las incorporaciones específicas de dominio son comunes, pero requieren muchos recursos.

Objetivo del estudio:

• Investigar los grandes modelos de lenguaje (LLM) para la vinculación de entidades médicas.
• Mejorar la generación de candidatos y la desambiguación utilizando LLMs a través de la expansión de sinónimos y el aprendizaje en contexto.
• Evaluar el enfoque basado en LLM en comparación con los métodos tradicionales de correspondencia de cadenas y supervisados.

Principales métodos:

• Combinación de cuerdas con LLMs utilizando el aprendizaje en contexto, evitando el ajuste fino.
• Extensión de la mención con sinónimos generados por LLM para la generación de candidatos.
• Utilizó LLM con pocos disparos para desambiguación de entidades.

Principales resultados:

• Logró una precisión de enlace del 56% en el conjunto de datos de MedMentions, superando la correspondencia de cadenas.
• La generación de candidatos alcanzó el 70% de recuerdo; la desambiguación alcanzó el 80% de precisión.
• Las descripciones generadas por LLM no mejoraron consistentemente la precisión.

Conclusiones:

• Los LLM muestran potencial para la vinculación de entidades médicas en escenarios de bajos recursos.
• El método propuesto es una alternativa ligera y libre de ajustes finos a los modelos supervisados.
• El enfoque es adaptable a otros dominios y ontologías más allá de la biomedicina.