使用大型语言模型进行临床文本高通量表型化
计算与语言
2025-06-11 v2 人工智能
摘要
高通量表型化自动将患者症状映射到标准化的本体概念，对精准医学至关重要。本研究评估了使用大型语言模型自动化来自 Online Mendelian Inheritance in Man (OMIM) 数据库中临床摘要的表型化。由于其丰富的表型数据，这些摘要可作为医生笔记的替代品。我们对 GPT-4 和 GPT-3.5-Turbo 进行性能比较。我们的结果表明，GPT-4 在识别、分类和标准化症状方面优于 GPT-3.5-Turbo，达到的与人工标注者的一致性相当于标注者之间的一致性。尽管在症状标准化方面存在一些局限性，但 GPT-4 广泛的预训练使其在多个表型化任务中表现出高性能和广泛适用性，无需手动标注训练数据。预计大型语言模型将成为自动化临床文本高通量表型化的主导方法。
引用
@article{arxiv.2408.01214,
title = {High-Throughput Phenotyping of Clinical Text Using Large Language Models},
author = {Daniel B. Hier and S. Ilyas Munzir and Anne Stahlfeld and Tayo Obafemi-Ajayi and Michael D. Carrithers},
journal= {arXiv preprint arXiv:2408.01214},
year = {2025}
}
备注
Submitted to IEEE-EMBS International Conference on Biomedical and Health Informatics, Houston TX