MedSlice:精心调整的大型语言模型,用于安全的临床笔记分割
Joshua Davis1,2, Thomas Sounack1, Kate Sciacca1,3
1Department of Supportive Oncology, Dana-Farber Cancer Institute, Boston, MA 02215, United States.
JAMIA open
|January 16, 2026
概括
开源大型语言模型 (LLM) 显示了自动化临床笔记分割的前景. 精心调整的LLM可以超过专有模型,为医疗数据分析提供成本和隐私优势.
科学领域:
- 在医疗保健中的自然语言处理.
- 机器学习用于临床数据分析
背景情况:
- 自动提取临床笔记部分对于研究至关重要,但由于人工努力和数据变化而受到阻碍.
- 专有大型语言模型 (LLM) 显示出潜力,但在医疗应用中引发了隐私问题.
研究的目的:
- 使用开源LLMs开发一个用于临床笔记分割的自动化管道.
- 为了比较精心调整的开源LLM与专有模型进行断面提取的性能.
主要方法:
- 微调三个开源的LLM在487个临床进展记录的数据集上.
- 使用精度,回忆和F1评分来评估内部和外部有效性的性能.
- 与GPT-4o和GPT-4o mini等专有型号进行基准测试.
主要成果:
- 一个精心调整的Llama 3.1 8B模型获得了0.92的F1得分,超过了GPT-4o.
- 在外部有效性测试中保持高性能,F1得分为0.85.85.
结论:
- 与专有模型相比,微调的,开源的LLM在临床笔记分割方面表现优越.
- 开源的LLM为临床文本分析提供了具有成本效益,保护隐私和可访问的替代方案.


