Clinical QA 2.0: 用于答案提取与分类的多任务学习
人工智能
2025-04-29 v3 机器学习
摘要
临床问答（CQA）在医疗决策中发挥着关键作用，使医生能够从电子医疗记录（EMR）中提取相关信息。虽然基于Transformer的模型如BERT、BioBERT和ClinicalBERT在CQA中显示出先进性能，但现有模型缺乏对提取答案的分类能力，这对于结构化检索、内容过滤和医疗决策支持至关重要。为此，我们引入一个多任务学习（MTL）框架，联合训练CQA模型以实现答案提取和医学分类。在预测答案片段之外，我们的模型将响应分类为五个标准医学类别：诊断、药物、症状、程序和实验报告。这种分类使临床问答模型更具结构化和可解释性，更适用于实际医疗环境。我们在emrQA数据集上进行评估，该数据集是大型医学问答数据集。结果表明，MTL相对于标准微调提高F1分数2.2%，同时在答案分类方面实现90.7%的准确率。这一发现表明，MTL不仅提高了CQA性能，还为分类和结构化医学信息检索引入了有效机制。
引用
@article{arxiv.2502.13107,
title = {MatterChat: A Multi-Modal LLM for Material Science},
author = {Yingheng Tang and Wenbin Xu and Jie Cao and Weilu Gao and Steve Farrell and Benjamin Erichson and Michael W. Mahoney and Andy Nonaka and Zhi Yao},
journal= {arXiv preprint arXiv:2502.13107},
year = {2025}
}