Does Synthetic Data Generation of LLMs Help Clinical Text Mining?

要約

大規模言語モデル (LLM) の最近の進歩により、OpenAI の ChatGPT のような非常に強力なモデルが開発されました。
これらのモデルは、質問応答、エッセイ作成、コード生成など、さまざまなタスクで優れたパフォーマンスを発揮しています。
ただし、ヘルスケア分野での有効性は依然として不明です。
この研究では、生物学的な名前付きエンティティの認識と関係抽出に焦点を当てて、構造化されていない医療テキストから構造化された情報を抽出する能力を調べることにより、ChatGPT が臨床テキスト マイニングを支援する可能性を調査しようとしています。
ただし、暫定的な結果は、これらのタスクに ChatGPT を直接使用すると、パフォーマンスが低下し、患者の情報を ChatGPT API にアップロードすることに関連するプライバシーの問題が発生することを示しています。
これらの制限を克服するために、ChatGPT を利用して大量の高品質の合成データを生成し、ダウンストリーム タスク用にローカル モデルを微調整する新しいトレーニング パラダイムを提案します。
私たちの方法は、ダウンストリームタスクのパフォーマンスを大幅に改善し、名前付きエンティティ認識タスクの F1 スコアを 23.37% から 63.99% に、関係抽出タスクの F1 スコアを 75.86% から 83.59% に改善しました。
さらに、ChatGPT を使用してデータを生成すると、データの収集とラベル付けに必要な時間と労力を大幅に削減できるだけでなく、データのプライバシーに関する懸念も軽減できます。
要約すると、提案されたフレームワークは、LLM モデルの臨床テキスト マイニングへの適用性を高めるための有望なソリューションを提示します。

要約(オリジナル)

Recent advancements in large language models (LLMs) have led to the development of highly potent models like OpenAI’s ChatGPT. These models have exhibited exceptional performance in a variety of tasks, such as question answering, essay composition, and code generation. However, their effectiveness in the healthcare sector remains uncertain. In this study, we seek to investigate the potential of ChatGPT to aid in clinical text mining by examining its ability to extract structured information from unstructured healthcare texts, with a focus on biological named entity recognition and relation extraction. However, our preliminary results indicate that employing ChatGPT directly for these tasks resulted in poor performance and raised privacy concerns associated with uploading patients’ information to the ChatGPT API. To overcome these limitations, we propose a new training paradigm that involves generating a vast quantity of high-quality synthetic data with labels utilizing ChatGPT and fine-tuning a local model for the downstream task. Our method has resulted in significant improvements in the performance of downstream tasks, improving the F1-score from 23.37% to 63.99% for the named entity recognition task and from 75.86% to 83.59% for the relation extraction task. Furthermore, generating data using ChatGPT can significantly reduce the time and effort required for data collection and labeling, as well as mitigate data privacy concerns. In summary, the proposed framework presents a promising solution to enhance the applicability of LLM models to clinical text mining.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google