通过使用检索增强生成的大型语言模型改进自动化深度表型

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 精确诊断罕见遗传疾病需要精确的表型和基因型分析.
• 人类表型本体学 (HPO) 为临床表型提供了一个标准化的语言.
• 现有的基于规则的HPO提取工具和大型语言模型 (LLM) 在准确性和可靠性方面存在局限性.

研究的目的:

• 引入RAG-HPO,这是一个基于Python的工具,利用检索增强生成 (RAG) 来增强基于LLM的HPO术语分配准确性.
• 克服基线LLM的局限性,消除对广泛微调的需要.

主要方法:

• RAG-HPO集成了一个动态向量数据库,包含超过54,000个表型短语,并映射到HPO ID.
• 临床文本由LLM处理以提取表型短语.
• 提取的短语在语义上与矢量数据库进行匹配,以便实时检索和上下文匹配.
• 最好的学期匹配将返回LLM进行最终的HPO学期分配.

主要成果:

• RAG-HPO + LLaMa-3.1 70B的平均精度为0.81,回忆率为0.76,F1得分为0.78,显著优于传统工具 (p < 0.00001).
• 在1648个返回的术语中,19.1%是错误的阳性,少于1%是幻觉.
• 大多数虚假阳性是更广泛的祖先术语,在某些情况下可能有用.

结论:

• RAG-HPO是一种易于使用和适应的工具,可增强罕见疾病的表型分析.
• 该工具显著提高了HPO术语分配的精度和回忆,加速了遗传研究和临床基因组学.
• 在https://github.com/PoseyPod/RAG-HPO.RAG-HPO公开提供.