用于弱势群体医疗公平性抗争的患者-医生-NLP系统PDFTEMRA
计算与语言
2025-12-09 v1 人工智能
摘要
迁移学习（TL）加速了大语言模型（LLMs）在主流自然语言处理（NLP）用例中的快速发展和可用性。然而，在资源受限的真实医疗场景中训练和部署如此庞大的LLMs仍然具有挑战性。本研究针对在农村环境中需要医疗援助的视障用户和低资源语言（如印地语）使用者支持有限的问题。我们提出PDFTEMRA（Performant Distilled Frequency Transformer Ensemble Model with Random Activations），一种紧凑的基于Transformer的架构，集成了模型蒸馏、频域调制、集成学习和随机激活模式，以在保持语言理解性能的同时降低计算成本。该模型在针对印地语和无障碍场景定制的医学问答和咨询数据集上进行训练和评估，并与标准NLP最先进模型基线进行了性能比较。结果表明，PDFTEMRA以显著降低的计算需求实现了可比性能，表明其适用于可访问、包容性的低资源医学NLP应用。
引用
@article{arxiv.2512.06734,
title = {A Patient-Doctor-NLP-System to contest inequality for less privileged},
author = {Subrit Dikshit and Ritu Tiwari and Priyank Jain},
journal= {arXiv preprint arXiv:2512.06734},
year = {2025}
}
备注
19 pages, 6 figures