CHiRPE：迈向面向临床医生模型解释的真实世界临床NLP
计算与语言
2026-01-27 v1
摘要
NLP工具在医疗领域的应用需要终端用户具备可解释性，然而传统的可解释AI（XAI）方法与临床推理不一致且缺乏临床医生的意见。我们引入了CHiRPE（Clinical High-Risk Prediction with Explainability，具有可解释性的临床高风险预测），这是一个NLP流水线，它接收转录的半结构化临床访谈以：（i）预测精神病风险；以及（ii）生成与临床医生共同开发的新型SHAP解释格式。CHiRPE在AMP-SCZ研究中24个国际诊所的944份半结构化访谈转录文本上进行训练，该流水线集成了症状领域映射、LLM摘要和BERT分类。CHiRPE在三种BERT变体上实现了超过90%的准确率，并优于基线模型。解释格式由28位临床专家进行评估，他们表现出对我们新型概念引导解释的强烈偏好，尤其是混合图加文本的摘要格式。CHiRPE表明，临床引导的模型开发能够产生准确且可解释的结果。我们的下一步将重点在24个国际站点进行真实世界测试。
引用
@article{arxiv.2601.18102,
title = {CHiRPE: A Step Towards Real-World Clinical NLP with Clinician-Oriented Model Explanations},
author = {Stephanie Fong and Zimu Wang and Guilherme C. Oliveira and Xiangyu Zhao and Yiwen Jiang and Jiahe Liu and Beau-Luke Colton and Scott Woods and Martha E. Shenton and Barnaby Nelson and Zongyuan Ge and Dominic Dwyer},
journal= {arXiv preprint arXiv:2601.18102},
year = {2026}
}
备注
This paper is accepted at EACL 2026