记忆与排序：提升大型语言模型在临床诊断预测中的性能
计算与语言
2025-01-30 v1 人工智能
机器学习
摘要
临床诊断预测模型在给定患者病史后旨在检测潜在疾病，以实现及时干预并改善预后。然而，患者数据稀缺和疾病候选空间大常常导致此复杂任务中模型性能不佳。针对临床决策过程利用大型语言模型（LLM）进行表征的探索仍有限。我们提出了 MERA（记忆与排序）临床诊断预测模型，通过层次对比学习处理疾病候选排序列表以缓解大决策空间问题，并通过概念记忆微调将自然语言临床知识与医学代码对接。实验表明，MERA 在 MIMIC-III 和 MIMIC-IV 数据集上实现了诊断预测性能的领先水平，显著提升了生成式语言模型的诊断预测能力。
引用
@article{arxiv.2501.17326,
title = {Memorize and Rank: Elevating Large Language Models for Clinical Diagnosis Prediction},
author = {Mingyu Derek Ma and Xiaoxuan Wang and Yijia Xiao and Anthony Cuturrufo and Vijay S Nori and Eran Halperin and Wei Wang},
journal= {arXiv preprint arXiv:2501.17326},
year = {2025}
}
备注
To appear at AAAI 2025