大規模言語モデルを用いた合成データとオントロジーによる臨床情報抽出の促進

科学分野:

• 自然言語処理
• ヘルスケアにおける人工知能

背景:

• 電子カルテには、膨大な非構造化臨床テキストが含まれています。
• 情報抽出システムの開発は重要ですが、アノテーション付きデータが不足しているため、制限されています。

研究 の 目的:

• 固有表現抽出のための合成臨床データを生成するための大規模言語モデルの探求。
• モデルのパフォーマンスと一般化可能性に対する合成データの影響の評価。

主な方法:

• SNOMED-CTの意味マッピングによる自己検証合成データ生成を用いた新しいフレームワーク。
• データ作成のためのGPT-4o-miniとファインチューニングのためのLLaMA-3-8Bの活用。
• 合成データ品質を向上させるための反復検証と異常検出。

主要な成果:

• 自己検証と意味マッピングは、合成データの有用性を大幅に向上させました。
• 人間アノテーションデータと合成データの比率が1:1の場合に最適なパフォーマンス向上が得られました。
• 4つの多様な臨床データセット全体で、モデルの一般化可能性の向上が観察されました。

結論:

• 合成データ生成は、臨床NLPアノテーションの課題に対するスケーラブルなソリューションです。
• モデルパフォーマンスの向上には、人間データと合成データのバランスが鍵となります。
• 提案されたフレームワークは、臨床情報抽出機能を前進させます。