EMRModel：用于提取医疗咨询对话结构化医疗记录的大型语言模型
计算与语言
2025-04-24 v1 人工智能
摘要
医疗咨询对话包含关键临床信息， 但其非结构化的性质阻碍了在诊断和治疗中的有效利用。传统方法依赖基于规则的方法或浅层机器学习技术， 难以捕获深层和隐式语义。最近， 大预训练语言模型和 Low-Rank Adaptation（LoRA） — 一种轻量级微调方法 — 在结构化信息提取方面显示出前景。 我们提出 EMRModel， 一种一种将 LoRA 微调与代码风格提示设计集成的新方法， 旨在高效地将医疗咨询对话转换为结构化电子医疗记录（EMRs）。此外， 我们构建了一个高质量、真实可信的医疗咨询对话数据集， 包含详细注释。进一步地， 我们引入了一个用于医疗咨询信息提取的细粒度评估基准， 并提供一套系统化的评估方法， 推动了医疗自然语言处理（NLP）模型的优化。实验结果表明， EMRModel 实现了 88.1% 的 F1 分数， 比标准预训练模型提高了 49.5%。 与传统 LoRA 微调方法相比， 我们的方法表现出更佳的性能， 突显其在结构化医疗记录提取任务中的有效性。
引用
@article{arxiv.2504.16448,
title = {EMRModel: A Large Language Model for Extracting Medical Consultation Dialogues into Structured Medical Records},
author = {Shuguang Zhao and Qiangzhong Feng and Zhiyang He and Peipei Sun and Yingying Wang and Xiaodong Tao and Xiaoliang Lu and Mei Cheng and Xinyue Wu and Yanyan Wang and Wei Liang},
journal= {arXiv preprint arXiv:2504.16448},
year = {2025}
}