基于大语言模型的癌症临床实践指南全面建模与问答
计算与语言
2025-01-27 v1 人工智能
机器学习
摘要
疾病诊断程序和治疗路径的最新建议在临床实践指南（CPG）中以图形化流程形式记录。为了有效利用CPG帮助医疗专业人员在治疗决策过程中发挥作用，必须充分捕获指南知识，尤其是图中的上下文及其关系。虽然已有工作利用这些指南创建临床决策支持系统的规则库，但迄今为止缺乏直接捕获CPG中所包含完整医学知识的工作。本工作提出一种方法，通过自动提取和节点与关系分类，构建NCCN癌症CPG的上下文丰富、忠实的数字表示形式。我们还通过使用大语言模型（LLM）实现模型的语义丰富化，节点分类准确率分别达到80.86%和88.47%（分别使用零样本学习和少样本学习）。此外，我们引入一种方法，利用LLM从指南知识库中提取相关子图，以解决带约束条件的自然语言问题。通过基于子图路径和语义信息生成自然语言答案，我们缓解了LLM在医疗领域问答中可能出现的错误答案和幻觉问题，确保了医疗领域问答的事实准确性。
引用
@article{arxiv.2501.13984,
title = {Comprehensive Modeling and Question Answering of Cancer Clinical Practice Guidelines using LLMs},
author = {Bhumika Gupta and Pralaypati Ta and Keerthi Ram and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2501.13984},
year = {2025}
}