评估大型语言模型用于结构化医疗订单提取
计算与语言
2025-10-14 v1 人工智能
摘要
结构化医疗订单提取对于构建可操作的临床信息、支持决策以及实现文档处理和工作流程自动化等下游应用至关重要。订单可能嵌入多样化的来源中，包括电子健康记录、出院摘要以及多轮医生-患者对话中，并且可以跨越药物、实验室检查、影像学检查及后续行动等类别。MEDIQA-OE 2025 共享任务聚焦于从扩展对话转录文本中提取结构化医疗订单，要求识别订单类型、描述、原因和来源。我们提交的 MasonNLP 方案在 17 支持团队中排名第 5，总计提交 105 次。我们的方案使用通用、经过指令微调的 LLaMA-4 17B 大型语言模型，无需特定领域的微调，仅通过单个 in-context 示例进行引导。这种 few-shot 配置实现了平均 F1 分数为 37.76，在原因和来源准确性方面取得了显著提升。这些结果表明，大型非特定领域的大型语言模型配合有效的提示工程，可作为专门临床自然语言处理任务的强大且可扩展的基线。
引用
@article{arxiv.2510.10475,
title = {Assessing Large Language Models for Structured Medical Order Extraction},
author = {A H M Rezaul Karim and Ozlem Uzuner},
journal= {arXiv preprint arXiv:2510.10475},
year = {2025}
}