MedSlice: セキュアな臨床記録セクション化のためのファインチューニングされた大規模言語モデル
Joshua Davis1,2, Thomas Sounack1, Kate Sciacca1,3
1Department of Supportive Oncology, Dana-Farber Cancer Institute, Boston, MA 02215, United States.
JAMIA open
|January 16, 2026
まとめ
オープンソースの大規模言語モデル（LLM）は、自動臨床記録セクション化に有望です。ファインチューニングされたLLMは、プロプライエタリモデルを上回り、医療データ分析にコストとプライバシーの利点を提供します。
科学分野:
- ヘルスケアにおける自然言語処理
- 臨床データ分析のための機械学習
背景:
- 臨床記録セクションの自動抽出は研究に不可欠ですが、手作業とデータのばらつきによって妨げられています。
- プロプライエタリな大規模言語モデル（LLM）は可能性を示していますが、医療アプリケーションにおけるプライバシーの懸念を引き起こします。
研究 の 目的:
- オープンソースLLMを使用した臨床記録セクション化のための自動パイプラインを開発すること。
- セクション抽出のためのファインチューニングされたオープンソースLLMとプロプライエタリモデルのパフォーマンスを比較すること。
主な方法:
- 487件の臨床進捗記録のデータセットで3つのオープンソースLLMをファインチューニングすること。
- 内部および外部の妥当性に関する精度、再現率、F1スコアを使用してパフォーマンスを評価すること。
- GPT-4oやGPT-4o miniなどのプロプライエタリモデルとのベンチマーク。
主要な成果:
- ファインチューニングされたLlama 3.1 8Bモデルは、GPT-4oを上回るF1スコア0.92を達成しました。
- 高いパフォーマンスは、F1スコア0.85の外部分析妥当性テストセットでも維持されました。
結論:
- ファインチューニングされたオープンソースLLMは、プロプライエタリモデルと比較して臨床記録セクション化において優れたパフォーマンスを示します。
- オープンソースLLMは、臨床テキスト分析のための費用対効果が高く、プライバシーを保護し、アクセス可能な代替手段を提供します。
