基于少样本学习中标签示例选择的医疗事件因果因素与预防措施生成
计算与语言
2026-05-12 v1 人工智能
摘要
在医疗保健等高风险领域，大型语言模型（LLM）的可靠性至关重要，尤其是在根据事件报告生成临床见解时。本研究提出了一种基于标签的少样本示例选择方法，用于提示 LLM 根据医疗事件的细节生成背景/因果因素和预防措施。在我们的实验中，我们使用了日本医疗事件数据集（JMID），这是一个包含 3,884 份真实世界医疗事故和未遂事件报告的结构化数据集。这些报告带有各种广泛的标签注释——有些包含描述性信息（例如，“药物”、“输血治疗”）。我们使用 GPT-4o 和 LLaMA 3.3 比较了三种少样本示例选择策略——随机采样、基于余弦相似度的选择以及我们提出的基于标签的方法。结果表明，基于标签的方法实现了最高的精确率和最稳定的生成行为，而基于相似度的选择通常会导致意外输出和安全过滤器的触发。这些发现表明，基于人类可解释的数据集标签选择示例，可以提高临床 LLM 应用中的生成精确率和稳定性。
引用
@article{arxiv.2605.10025,
title = {Medical Incident Causal Factors and Preventive Measures Generation Using Tag-based Example Selection in Few-shot Learning},
author = {Yuna Haseyama and Tomoki Ito and Hiroki Sakaji and Itsuki Noda},
journal= {arXiv preprint arXiv:2605.10025},
year = {2026}
}