从中国医学文献中提取规模相关知识实体的快速框架:开发和评估研究研究

科学领域:

• 自然语言处理 (NLP) 是一种自然语言处理.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 基于测量的护理改善了患者的治疗结果,但由于中国医学文献中的结构化知识有限,它面临着采用障碍.
• 提取与医疗规模相关的知识实体是具有挑战性的,因为文本结构不整,注释数据稀缺.
• 大型语言模型 (LLM) 显示了命名实体识别 (NER) 的潜力,但专门的提示对于低资源环境中的医疗秤至关重要.

研究的目的:

• 开发和评估MedScaleNER,一个以任务为导向的提示框架,用于优化LLM在识别医疗规模相关实体方面的表现.
• 解决从非结构化的中国医学文献中提取知识的挑战.
• 为了提高NER在低资源环境中的医疗秤的准确性.

主要方法:

• MedScaleNER利用演示检索,思维链提示和自我验证来提高NER的性能.
• 一个k-最近的邻居方法动态地检索出最佳的例子,以便在上下文学习.
• 该NER任务被分解为实体类型识别和标签,自验证确保输出可靠性.

主要成果:

• CMedS-NER数据集包括720篇论文,其中有27499篇注释的规模相关实体.
• 使用GLM-4-0520的MedScaleNER,在规模相关实体中获得了59.64%的宏观F1得分.
• 在资源较少的环境中 (1%的数据),MedScaleNER的表现优于局部微调的模型,证明了演示检索和自我验证的有效性.

结论:

• MedScaleNER在中国医学文献中为专门的NER推进了LLM应用程序和快速工程.
• 该框架有助于从具有有限数据的非结构化文本中有效和可靠地提取知识.
• MedScaleNER支持基于测量的更广泛的护理实施,改善临床和研究成果.