《利用大语言模型与推理机制从电子病历中提取症状特征》

本文提出了一种利用大语言模型从电子病历中提取“症状特征”的创新方法，通过将任务重构为文本生成问题，模仿医生的认知过程，显著提升了信息提取的准确性和可解释性。研究背景指出传统方法在处理非结构化数据时效率低下，而新方法通过精心设计的提示词引导大语言模型生成包含推理步骤的文本，优化了信息提取效果。实验采用Llama-2-13B-chat模型，并引入了BERT得分等语义相似性度量方法进行评估。结果显示，基于推理的提示方法在大多数实体类型上表现优异，特别是在复杂实体如“发病”和“放射”的提取上，F1分数分别达到0.944和0.889。此外，消融实验验证了推理步骤和自验证机制对模型性能提升的重要性。这一方法为临床决策提供了高效、可解释的信息支持。