整合思维链和检索 增强生成 提高从临床笔记的罕见疾病诊断

科学领域:

• 基因组学就是基因组学.
• 人工智能的人工智能
• 临床信息学 临床信息学

背景情况:

• 大型语言模型 (LLM) 经常在使用标准化术语的罕见疾病中与表型驱动的基因优先级作斗争.
• 现实世界的临床应用需要LLM处理非结构化的临床笔记,而不仅仅是人类现象型本体学 (HPO) 术语.
• 一个重大挑战是指导LLM从原始临床文本中预测候选基因或诊断.

研究的目的:

• 开发和评估使用LLMs和临床笔记来改善罕见疾病中的基因优先级的新方法.
• 评估结合思维链 (CoT) 和检索增强生成 (RAG) 的有效性,以分析非结构化临床数据.

主要方法:

• 引入了两种混合方法:RAG驱动的CoT和CoT驱动的RAG,将CoT推理与RAG数据检索集成在一起.
• 使用五个问题CoT协议来模仿专家的临床推理.
• 雇佣RAG从知识库中获取相关信息,如HPO和在线Mendelian Inheritance in Man (OMIM) 等.
• 对各种罕见疾病数据集的评估方法:5980个Phenopacket衍生笔记,255个文献叙述和220个临床笔记.

主要成果:

• 最近的LLM (例如,Llama 3.3-70B-Instruct,DeepSeek-R1-Distill-Llama-70B) 与较旧的模型 (Llama 2,GPT-3.5) 相比显示出更好的性能.
• 根据临床笔记,RAG驱动的CoT和CoT驱动的RAG在基因优先级方面显著超过了基线基础模型.
• 使用这些混合方法,DeepSeek的骨干在Phenopacket衍生的笔记上实现了40%以上的前10位基因精度.
• RAG驱动的CoT在高质量的笔记方面表现出色,而CoT驱动的RAG则有利于长篇,杂的临床文本.

结论:

• 混合Cot和RAG方法提供了一个强大的解决方案,用于在罕见疾病诊断中使用非结构化的临床笔记来优先考虑候选基因.
• 这些方法通过弥合原始文本和结构化医学知识之间的差距,提高了LLM在临床环境中的实用性.
• 在RAG驱动的CoT和CoT驱动的RAG之间做出选择取决于输入临床笔记的质量和性质.