CohortGPT：一种用于临床研究受试者招募的增强型GPT
计算与语言
2023-07-24 v1 人工智能
摘要
基于临床笔记和放射报告等非结构化医学文本的受试者招募，一直是临床研究中队列构建的一项具有挑战性但重要的任务。近来，ChatGPT 等大型语言模型（LLM）因在语言理解、推理与生成上的良好表现，在各种下游任务中取得了巨大成功。自然地，可测试其在解决队列招募任务中的可行性，该任务涉及将给定段落的医学文本分类为疾病标签。然而，当应用于如医学文本分类这类知识密集型问题设定时，LLM 被期望理解人类专家的决策并准确识别隐含的疾病标签，却表现出平庸的性能。一种可能的解释是，仅使用医学文本时，LLM 忽略了利用语言所提供的丰富附加信息上下文。为此，我们提出使用知识图谱作为辅助信息来引导 LLM 进行预测。此外，为进一步提升 LLM 对该问题设定的适应，我们应用一种由强化学习增强的思维链（CoT）样本选择策略，针对每份医学报告筛选一组 CoT 样本。实验结果及各种消融研究表明，与微调策略相比，我们的少样本学习方法取得了令人满意的性能，并在可用数据有限时获得显著优势。所提出的 CohortGPT 模型的代码与样本数据集可在：https://anonymous.4open.science/r/CohortGPT-4872/ 获取。
引用
@article{arxiv.2307.11346,
title = {CohortGPT: An Enhanced GPT for Participant Recruitment in Clinical Study},
author = {Zihan Guan and Zihao Wu and Zhengliang Liu and Dufan Wu and Hui Ren and Quanzheng Li and Xiang Li and Ninghao Liu},
journal= {arXiv preprint arXiv:2307.11346},
year = {2023}
}
备注
16 pages, 10 figures