Valutazione del Modello LLaMA3 per il Riconoscimento di Entità Mediche a Grana Fine nell'Elaborazione del Linguaggio Naturale Clinico

Uno studio recente esamina il modello di linguaggio di grandi dimensioni open-source LLaMA3 per la sua efficacia nel riconoscere entità mediche attraverso 18 categorie cliniche specifiche. Questa ricerca affronta le carenze delle valutazioni esistenti che si concentrano principalmente su tipi di entità ampi, i quali non soddisfano adeguatamente le esigenze sfumate degli scenari clinici reali che richiedono un'estrazione dettagliata da testi medici non strutturati. Tali testi includono note di ammissione, riepiloghi di dimissione e anamnesi di casi di emergenza. La sfida di recuperare informazioni clinicamente significative da questi documenti persiste nell'elaborazione del linguaggio naturale clinico. Il Riconoscimento di Entità Mediche svolge un ruolo cruciale nell'identificare concetti rilevanti all'interno di questi registri. I ricercatori hanno utilizzato tre strategie di apprendimento—zero-shot, few-shot e fine-tuning con Low-Rank Adaptation—per migliorare le prestazioni. Hanno anche proposto due metodi di selezione per gli esempi basati su tecniche a livello di token e di frase per migliorare l'apprendimento few-shot. Questo articolo è disponibile su arXiv con l'identificatore 2604.17214v1.