マルチインスタンス・ラーニングとプロンプトによる医療会話における症状認識

科学分野:

• 自然言語処理
• 医療情報工学
• 機械学習

背景:

• 電子医療記録 (EHR) システムでは,医師の対話から自動的に症状を抽出する必要があります.
• 課題には,散らばったヒント,非公式な言語,患者説明の曖昧な/否定的な記述が含まれます.
• 既存のモデルでは 構造化されていない 複数回転の会話が困難です

研究 の 目的:

• 医学的な対話で細かい症状を特定するための新しいアプローチを開発する.
• 医療記録の自動生成の正確性と効率性を向上させる.
• 散らばった情報,非標準的な用語,患者によって報告された症状の否定という課題に対処するためです.

主な方法:

• マルチインスタンス・ラーニング (MIL) フレームワークでは,会話は記憶を良くするための文言のバッグとして扱われます.
• 素早く誘導される注意は 標準化された用語を使って 同義語や暗黙の言及や否定を認識し 精度を高めます
• R-Drop 正規化は,騒音データに対する強度を改善するために使用されます.

主要な成果:

• 提案された方法は85.93%のF1スコアを達成し,ベースラインを約8%上回った.
• 85.09%の精度と86.83%のリコールを達成し,優れたパフォーマンスを示しました.
• 特定の症状表現のペアを成功裏に特定し,細粒子の抽出能力を示しました.

結論:

• 統合されたMILと即座に導かれた注意アプローチは,医療対話から症状を引き出すという課題に効果的に取り組んでいます.
• この方法により 症状の正確な記録が可能になり 医療情報の自動抽出とインテリジェントな EHR システムが進んでいます
• 細粒度抽出は診断決定を支援し,医療記録の質を改善します.