Clinical QA 2.0：用于答案抽取与分类的多任务学习
计算与语言
2025-04-24 v2 人工智能
机器学习
摘要
临床问答(CQA)在医疗决策中发挥着关键作用，使医生能够从电子病历(EMRs)中提取相关信息。虽然基于 Transformer 的模型如 BERT、BioBERT 和 ClinicalBERT 在 CQA 中显示出最先进的性能，但现有模型缺乏对提取答案的分类功能，这对于结构化检索、内容过滤和医疗决策支持至关重要。为此，我们引入了一个多任务学习(MTL)框架，联合训练 CQA 模型以实现答案抽取和医学分类。在预测答案片段的同时，我们将响应分类为五个标准化医学类别：诊断、药物、症状、程序和实验报告。这种分类使临床问答模型的输出更加结构化和可解释，在实际医疗环境中更加实用。我们在大型医学问答数据集 emrQA 上进行评估。结果表明，MTL 比标准微调提高了 2.2% 的 F1 分数，同时在答案分类方面实现了 90.7% 的准确率。这表明 MTL 不仅提高了 CQA 性能，还为分类和结构化医学信息检索引入了有效机制。
引用
@article{arxiv.2502.13108,
title = {Clinical QA 2.0: Multi-Task Learning for Answer Extraction and Categorization},
author = {Priyaranjan Pattnayak and Hitesh Laxmichand Patel and Amit Agarwal and Bhargava Kumar and Srikant Panda and Tejaswini Kumar},
journal= {arXiv preprint arXiv:2502.13108},
year = {2025}
}