利用大语言模型实现临床笔记的零样 medical ontology 扩展
人工智能
2025-11-21 v1
摘要
将新型医学概念和关系整合到现有医学本体中，可以显著提升其覆盖范围和实用性，以服务于生物医学研究和临床应用。临床笔记作为结构化文档，蕴含大量详细患者观察，提供具有上下文特性的洞见，代表了一个值得发掘且尚未被充分利用的本体扩展来源。尽管存在这种潜力，但直接利用临床笔记进行本体扩展仍属未探索之地。为此，我们提出CLOZE框架，该框架利用大语言模型（LLM）自动从临床笔记中提取医学实体并整合到分层医学本体中。通过利用预训练LLM的强大语言理解能力和广泛生物医学知识，CLOZE有效识别与疾病相关的概念并捕获复杂的层次结构关系。该零样框架无需额外训练或标记数据，因而具有成本效益。此外，CLOZE通过自动移除受保护健康信息（PHI）确保患者隐私。实验结果表明，CLOZE提供了一个准确、可扩展且可保护隐私的本体扩展框架，具有强大的潜力支持生物医学研究和临床信息学中的广泛下游应用。
引用
@article{arxiv.2511.16548,
title = {Utilizing Large Language Models for Zero-Shot Medical Ontology Extension from Clinical Notes},
author = {Guanchen Wu and Yuzhang Xie and Huanwei Wu and Zhe He and Hui Shao and Xiao Hu and Carl Yang},
journal= {arXiv preprint arXiv:2511.16548},
year = {2025}
}
备注
BIBM 2025 (WS#44: Biological ontologies and knowledge bases (BiOK) in the LLM era)