基于查询的专家引导临床文本增强

数据增强是一种广泛用于提高模型鲁棒性和泛化能力的策略，通过丰富训练数据集的合成示例来实现。虽然大语言模型（LLM）已显示出强大的生成能力用于此目的，但其在医疗等高风险领域的应用 presents unique挑战，因为存在生成临床错误或误导性信息的风险。本文提出一种新颖的查询-基于模型协作框架，将专家级领域知识整合以引导增强过程以保持关键医疗信息。针对临床预测任务进行的实验表明，我们的轻量级协作-基于方法在一致上 outperform现有LLM增强方法，同时通过减少事实错误提高了安全性。该框架解决了LLM增强潜力与专业领域安全要求之间的鸿沟。