TACL：阈值自适应课程学习策略以增强医学文本理解
计算与语言
2025-11-12 v2 人工智能
摘要
医学文本，尤其是电子病历（EMR），是现代医疗保健的基石，记录了患者护理、诊断和治疗的关键信息。这些文本在推进临床决策和医疗分析方面具有巨大潜力。然而，其非结构化特性、领域特定语言以及跨场景的差异性使自动化理解成为一项复杂挑战。尽管自然语言处理技术已有显著进展，现有方法往往将所有数据视为同等难度，忽视了临床记录之间固有的复杂性差异。这一疏忽限制了模型在罕见或复杂病例上的有效泛化与性能表现。本文提出TACL（Threshold-Adaptive Curriculum Learning，阈值自适应课程学习），一种通过重新思考模型在训练过程中与医学文本交互方式来应对上述挑战的新框架。借鉴渐进式学习原理，TACL根据样本复杂度动态调整训练过程。通过将数据划分为难度等级并在训练初期优先处理简单病例，模型在应对更复杂的记录之前建立起坚实基础。将TACL应用于多语言医学数据，包括英文和中文临床记录，在自动ICD编码、再入院预测和中医证候辨识等多样化临床任务上均观察到显著提升。TACL不仅增强了自动化系统的性能，还展示了统一不同医学领域方法的潜力，为更准确、可扩展和全球适用的医学文本理解解决方案铺平道路。
引用
@article{arxiv.2510.15269,
title = {TACL: Threshold-Adaptive Curriculum Learning Strategy for Enhancing Medical Text Understanding},
author = {Mucheng Ren and Yucheng Yan and He Chen and Danqing Hu and Jun Xu and Xian Zeng},
journal= {arXiv preprint arXiv:2510.15269},
year = {2025}
}
备注
Accepted as BIBM 2025 Regular. 6 pages. Camera Ready version