基于大型语言模型的端到端中文临床事件提取
Bo An1, Haitao Zhang2, Longlong Ma3
1Laboratory for Ethnic Minority Languages, Cultures and Behaviors, Institute of Ethnology and Anthropology, Chinese Academy of Social Sciences, Haidian, Beijing, 100081, China.
Scientific reports
|May 15, 2025
概括
本研究介绍了LMCEE,这是一种使用大型语言模型 (LLM) 进行临床事件提取的端到端方法. 与传统方法相比,LMCEE显著提高了准确性,提高了医疗数据结构和决策.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 医疗保健中的人工智能
背景情况:
- 临床事件提取对于组织医学数据和为医疗保健服务提供动力至关重要.
- 基于管道的事件提取方法面临诸如错误传播和信息丢失等挑战.
- 现有的方法在复杂的临床文本中往往难以达到低于最佳的性能.
研究的目的:
- 提出一种先进的,端到端的临床事件提取方法,利用大语言模型 (LLM).
- 解决临床事件提取中传统管道方法的局限性.
- 提高医疗数据结构的准确性和效率,以改善临床决策.
主要方法:
- 开发了LMCEE,这是一个端到端的方法,将临床事件提取转化为文本生成任务.
- 采用针对LLM进行临床事件提取的快速学习策略.
- 评估了该方法的性能与传统管道和现有的基于生成的方法相比.
主要成果:
- 与传统管道方法相比,LMCEE在F1得分上实现了显著的12%的增加.
- 拟议的方法在F1评分中以5.7%的比率超过了UIE基于生成的方法.
- 确定的局限性包括对提示模板的敏感性和LLM类型的依赖性.
结论:
- 基于端到端的LLM方法为临床事件提取提供了卓越的性能.
- LMCEE在结构化临床数据方面取得了有前途的进展.
- 需要进一步的研究来优化提示模板和LLM选择以提高稳定性.
更多相关视频
08:32Examining Online Syntactic Processing of Spoken Complex Sentences in Chinese Using Dual-Modal Interference Tasks
Published on: September 5, 2019
5.6K
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
15.7K
