Harnessing Knowledge Retrieval with Large Language Models for Clinical Report Error Correction

要約

この研究では、大規模言語モデル (LLM) と検索拡張生成 (RAG) 技術を活用した、臨床放射線医学レポートのエラー修正のアプローチを提案します。
提案されたフレームワークは、内部および外部の検索メカニズムを使用して、レポートおよび外部の知識源から関連する医療エンティティおよび関係を抽出します。
3 段階の推論プロセスが導入され、タスクがエラー検出、位置特定、修正のサブタスクに分解され、システムの説明可能性とパフォーマンスが向上します。
このアプローチの有効性は、専門分野の専門家の指導のもと、現実的な誤差を含む現実世界の放射線医学レポートを破損することによって作成されたベンチマーク データセットを使用して評価されます。
実験結果は、内部検索と外部検索を組み合わせることで、さまざまな最先端の LLM にわたるエラー検出、位置特定、および修正の精度が大幅に向上するという、提案された方法の利点を示しています。
この発見は、臨床文書用のより堅牢で信頼性の高いエラー修正システムの開発に貢献します。

要約(オリジナル)

This study proposes an approach for error correction in clinical radiology reports, leveraging large language models (LLMs) and retrieval-augmented generation (RAG) techniques. The proposed framework employs internal and external retrieval mechanisms to extract relevant medical entities and relations from the report and external knowledge sources. A three-stage inference process is introduced, decomposing the task into error detection, localization, and correction subtasks, which enhances the explainability and performance of the system. The effectiveness of the approach is evaluated using a benchmark dataset created by corrupting real-world radiology reports with realistic errors, guided by domain experts. Experimental results demonstrate the benefits of the proposed methods, with the combination of internal and external retrieval significantly improving the accuracy of error detection, localization, and correction across various state-of-the-art LLMs. The findings contribute to the development of more robust and reliable error correction systems for clinical documentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google