从医学病例报告中提取因果树：面向专家级文本理解的新任务
计算与语言
2025-03-04 v1
摘要
从医学病例报告中提取因果关系对于理解病例尤其是诊断过程至关重要。由于诊断过程被视为自下而上的推理，病例中的因果关系自然形成多层级的树结构。现有任务如医学关系抽取不足以捕捉整个病例的因果关系，因为它们将所有关系平等对待，而未考虑诊断过程固有的层次结构。因此，我们提出了新任务——因果树提取（Causal Tree Extraction, CTE），该任务接收病例报告并生成以主要疾病为根的因果树，从而直观呈现病例的诊断过程。随后，我们构建了日文病例报告CTE数据集J-Casemap，提出的生成式CTE方法在人类评估中相较于基线模型提升了20.2分，并引入反映临床医生偏好的评估指标。进一步的实验表明，J-Casemap也能提升解决其他医学任务（如问答）的性能。
引用
@article{arxiv.2503.01302,
title = {Causal Tree Extraction from Medical Case Reports: A Novel Task for Experts-like Text Comprehension},
author = {Sakiko Yahata and Zhen Wan and Fei Cheng and Sadao Kurohashi and Hisahiko Sato and Ryozo Nagai},
journal= {arXiv preprint arXiv:2503.01302},
year = {2025}
}
备注
Work in progress