结构化的LLM增强用于临床信息提取

科学领域:

• 临床信息学是一种临床信息学.
• 自然语言处理 (NLP) 是一种自然语言处理.
• 生物医学数据科学是生物医学数据科学.

背景情况:

• 像命名实体识别 (NER) 和关系提取 (RE) 这样的信息提取任务对于临床研究至关重要,但由于隐私和成本而受到稀缺的标记临床数据的限制.
• 现有的方法与临床文本的独特挑战作斗争,包括隐私问题和高注释费用,阻碍了提取有价值的见解的进展.

研究的目的:

• 开发和评估一个新的框架,利用大语言模型 (LLM) 来增强数据,以克服信息提取任务的标记临床文件的稀缺性.
• 通过利用LLM生成,上下文准确和结构保存的增强数据来提高临床信息提取模型的性能.

主要方法:

• 开发了一个新的框架,将LLMs用于数据增强与适应的BERT模型用于临床信息提取.
• 该框架在临床笔记段内编码实体和关系信息,使LLM能够在保持结构完整的同时生成多种增强.
• 一个基于细分的BERT模型,包括全球背景的BiLSTM,在增强数据上进行训练,以克服序列长度的限制.

主要成果:

• 拟议的框架显示了公开和专有临床数据集的显著性能改进.
• 数据增强方法有效地解决了临床信息提取中数据稀缺的挑战.
• 与BiLSTM集成的基于细分的BERT模型显示了处理临床文本的增强功能.

结论:

• 这种新的框架通过利用基于LLM的数据增强,有效地解决了临床信息提取中的数据稀缺问题.
• 该方法显示了通过提高NER和RE任务的准确性和效率来推进临床研究和应用的巨大潜力.
• 该方法提供了一个可扩展的解决方案,用于在生物医学领域生成高质量的培训数据,克服隐私和成本障碍.