从临床笔记中提取月经特征的多任务学习
计算与语言
2025-04-01 v1
摘要
月经健康是女性健康护理中一个关键且常被忽视的方面。尽管其临床相关性很大，关于月经特征的详细数据在结构化医疗记录中却很少出现。为此，我们提出了一种 novel 自然语言处理管道，用于提取关键月经周期属性——经痛、规律性、流量和闭经。我们的方法采用 GatorTron 模型进行多任务提示式学习，增强通过混合检索预处理步骤来识别相关文本片段。它超越了基线方法，在所有月经特征上实现了 90% 的平均 F1 分数，尽管仅使用不到 100 篇标注的临床笔记进行训练。检索步骤在所有方法上都一致地提高了性能，使模型能够聚焦于 lengthy 临床笔记中最相关的片段。这些结果表明，结合多任务学习与检索可提升跨月经特征的泛化与性能，推动了从临床笔记中自动提取技术的发展，支持了女性健康研究。
引用
@article{arxiv.2503.24116,
title = {Multi-Task Learning for Extracting Menstrual Characteristics from Clinical Notes},
author = {Anna Shopova and Cristoph Lippert and Leslee J. Shaw and Eugenia Alleva},
journal= {arXiv preprint arXiv:2503.24116},
year = {2025}
}