在临床报告中使用医学语言模型自动检测侵入性真菌感染
Wei Han1, David Martinez1, Vlada Rozova2,3,4
1School of Computing Technologies, RMIT University, Melbourne, Australia.
Studies in health technology and informatics
|August 8, 2025
概括
先进的自然语言处理 (NLP) 模型显著改善了从临床报告中检测入侵性真菌感染 (IFI) 的能力. 结合各种NLP方法,为识别这些关键患者风险提供了一个高度有效的策略.
科学领域:
- 医疗信息学 医疗信息学
- 计算语言学 计算语言学
- 传染性疾病 传染性疾病
背景情况:
- 侵入性真菌感染 (IFI) 对免疫功能低下的患者构成严重威胁.
- 早期发现IFI对于有效治疗和改善患者的治疗结果至关重要.
- 目前用于从临床文本中检测IFI的方法可能是不理想的.
研究的目的:
- 评估先进的自然语言处理 (NLP) 技术在临床报告中检测IFI的有效性.
- 将基于变压器的预训练语言模型 (PLM) 和生成的大型语言模型 (LLM) 与现有方法的性能进行比较.
- 探索用于IFI识别的混合NLP方法的好处.
主要方法:
- 使用基于变压器的预训练语言模型 (PLM) 进行IFI检测.
- 在IFI检测管道中使用生成型大语言模型 (LLM).
- 开发并测试了一种混合NLP方法,将多种模型结合起来.
- 在公开的CHIFIR基准数据集上评估绩效.
主要成果:
- 先进的NLP方法,包括PLM和LLM,在IFI检测方面表现优异,与以前的技术相比.
- 一种混合NLP方法实现了高准确性,在CHIFIR数据集中只缺少一个正确的案例.
- 该研究证实了现代NLP在分析临床文本以检测疾病方面的有效性.
结论:
- 现代NLP技术,特别是PLM和LLM,为改善侵入性真菌感染的检测提供了显著的价值.
- 结合多种NLP方法可以提高检测准确性和稳定性.
- 这些发现支持将先进的NLP工具集成到临床工作流程中,以改善IFI监测.
