OEMA：面向零样本临床命名实体识别的本体增强多智能体协作框架
计算与语言
2026-03-31 v2 人工智能
摘要
随着电子健康记录中非结构化临床文本的快速扩张，临床命名实体识别（NER）已成为提取医疗信息的关键技术。然而，传统监督模型如 CRF 和 BioClinicalBERT 面临高额标注成本。虽然基于大语言模型（LLM）的零样本 NER 降低了对标记数据的数据依赖，但仍面临示例选择与任务粒度对齐、提示设计与自我改进框架有效集成等挑战。为此，我们提出 OEMA，一种基于多智能体协作的零样本临床 NER 框架。OEMA 由三个核心组件构成：（1）自标注器自主生成候选示例；（2）鉴别器利用 SNOMED CT 对 token 级别示例进行临床相关性筛选；（3）预测器融合实体类型描述以增强推理准确性。在两个基准数据集 MTSamples 和 VAERS 上的实验结果表明，OEMA 在精确匹配评估下实现了零样本临床 NER 的最佳性能。此外，在相关匹配准则下，OEMA 的表现与监督的 BioClinicalBERT 模型相当，但显著优于传统的 CRF 方法。OEMA 提升了零样本临床 NER 水平，在相关匹配准则下实现接近监督学习的性能。未来工作将聚焦持续学习和开域适应，以扩大其在临床 NLP 领域的适用性。
引用
@article{arxiv.2511.15211,
title = {OEMA: Ontology-Enhanced Multi-Agent Collaboration Framework for Zero-Shot Clinical Named Entity Recognition},
author = {Xinli Tao and Xin Dong and Xuezhong Zhou},
journal= {arXiv preprint arXiv:2511.15211},
year = {2026}
}
备注
12 pages, 4 figures, 4 tables