利用大型语言模型来检测药物不良事件:对基于令牌和跨度的命名实体识别进行比较研究

科学领域:

• 自然语言处理自然语言处理.
• 医疗保健中的人工智能
• 临床信息学 临床信息学

背景情况:

• 药物不良事件 (ADEs) 是对患者安全和公共健康的重大关注.
• 目前在临床文本中检测ADEs的方法因复杂性和上下文模糊性而面临挑战.

研究的目的:

• 调查微调的大型语言模型 (LLM) 在临床文本中检测ADEs的有效性.
• 为了比较代币分类和基于跨度的命名实体识别 (NER) 方法用于ADE识别.
• 评估集合方法对改善端到端ADE关系提取的影响.

主要方法:

• 使用2018 n2c2 Track 2数据集来评估模型性能.
• 微调的RoBERTa 大型模型用于令牌分类和基于跨度的NER任务.
• 在预定义 (黄金标签) 和端到端设置中评估模型.
• 实施集体方法,包括多数投票和基于XGBoost的聚合.

主要成果:

• 罗伯塔Large在ADE检测方面表现出卓越的性能,优于其他型号.
• 基于令牌的模型通常比基于跨度的方法获得更高的准确性.
• 集合方法通过结合单个模型的优势,显著增强了端到端的关系提取.
• 由于内在的上下文模糊性,ADE的识别仍然具有挑战性.

结论:

• 精心调整的LLM,特别是RoBERTa Large,为改善临床文本中的ADE检测提供了一个强大的工具.
• 整体策略可以进一步提高LLMs在临床NLP任务中的表现.
• 这些进步有可能增强临床NLP管道,并为更安全,个性化的医疗保健做出贡献.