CHiLL：利用大语言模型从临床笔记中进行零样本可定制可解释特征提取
计算与语言
2023-10-23 v2 人工智能
机器学习
摘要
我们提出 CHiLL（Crafting High-Level Latents），一种用于线性模型特征自然语言规范的方法。CHiLL 以专家构建的查询提示 LLM，从健康记录中生成可解释特征。所得含噪标签随后用于训练简单线性分类器。基于向 LLM 的查询生成特征，可使医生利用其领域专长构建对下游感兴趣任务具临床意义的特征，而无需从原始 EHR 中手动提取。我们的动机来自真实世界风险预测任务，但作为可复现的替代，我们使用 MIMIC-III 与 MIMIC-CXR 数据及标准预测任务（如 30 天再入院）来评估该方法。我们发现，使用自动提取特征的线性模型与使用参考特征的模型性能相当，且比使用“词袋”特征的线性模型提供更强可解释性。我们验证了所学特征权重与临床预期吻合良好。
引用
@article{arxiv.2302.12343,
title = {CHiLL: Zero-shot Custom Interpretable Feature Extraction from Clinical Notes with Large Language Models},
author = {Denis Jered McInerney and Geoffrey Young and Jan-Willem van de Meent and Byron C. Wallace},
journal= {arXiv preprint arXiv:2302.12343},
year = {2023}
}
备注
To be published at EMNLP Findings 2023