201.
在医疗人工智能领域,从医患对话中自动生成电子病历(EMR)是一项核心任务。传统主流方法多依赖于大规模语言模型(LLM)结合少量示例进行学习,然而,这些方法往往未能有效融入深度的医学专业知识,导致生成的EMR内容在专业性方面存在不足。针对这一挑战,提出了一种新颖的迭代反思框架,该框架融合了Error2Correct示例学习与领域模型监督,旨在提升EMR的总结质量。具体而言,首先设计了一种集成了Error2Correct示例学习机制的大规模语言模型,用于EMR的初步生成与持续优化,并在预生成阶段融入医学领域知识。然后利用一个经过微调的小规模医学预训练语言模型,对初步生成的EMR进行进一步的评估与优化,从而在后生成阶段再次深化领域知识的整合。最后,引入了一个迭代调度器,该调度器能够高效地引导模型在持续的反思与迭代过程中进行优化。实验结果显示,所提方法在两个公开的EMR数据集上均展现出了先进的性能。特别是在IMCS-V2-MRG和ACI-BENCH数据集上,与经过微调的大规模语言模型相比,所提方法分别实现了3.66个百分点和7.75个百分点的整体性能提升
1)。… …
相似文献