面向模式受限临床信息提取的检索增强大型语言模型
计算与语言
2026-05-18 v1 人工智能
摘要
对话式护士-患者记录包含可操作的观察信息，但将此类记录大规模地转换为结构化表示仍具有挑战性。文档负担沉重，先前研究表明，临床医生在文档和相关事务上花费了工作日的大部分时间，而非直接患者护理。MEDIQA-SYNUR聚焦于从对话式护士-患者记录中提取观察信息，需要系统将这些叙述规范化为带有值类型约束的预定义模式。我们提出一种模块化检索增强生成（RAG）管道，将训练集作为示例语料库，结合模式受限提示（完整模式 vs. 修剪候选模式）、确定性基于模式的后处理以及二次审计，分别使用Llama-4-Scout-17B-16E-Instruct和GPT-5.2两个LLM主干模型及其对应的嵌入模型进行RAG。我们的 最佳配置使用GPT-5.2配合完整模式、RAG和二次审计，实现了80.36%的F1分数。总体而言，我们的结果表明RAG始终能提升性能，而模式约束的最佳程度取决于模型，二次审计通过纠正残余的模式遵循错误，仅带来有限的额外提升。
引用
@article{arxiv.2605.15467,
title = {Retrieval-Augmented Large Language Models for Schema-Constrained Clinical Information Extraction},
author = {A H M Rezaul Karim and Ozlem Uzuner},
journal= {arXiv preprint arXiv:2605.15467},
year = {2026}
}