A Knowledge-Enhanced Disease Diagnosis Method Based on Prompt Learning and BERT Integration

要約

この論文では、迅速な学習フレームワークに基づいた知識強化型疾患診断方法を提案します。
この方法では、臨床症例に関連する外部ナレッジ グラフから構造化された知識を取得し、それをエンコードして、プロンプト テンプレートに注入して、タスクに対する言語モデルの理解と推論能力を強化します。CHIP-CTC、IMCS の 3 つの公開データセットで実験を実施しました。
-V2-NER、およびKUAKE-QTR。
結果は、提案された方法が複数の評価指標にわたって既存のモデルよりも大幅に優れていることを示しており、F1 スコアは CHIP-CTC データセットで 2.4%、IMCS-V2-NER データセットで 3.1%、KUAKE-QTR で 4.2% 向上しました。
データセット。
さらに、アブレーション研究では、このモジュールの削除により F1 スコアが大幅に低下したため、知識注入モジュールの重要な役割が確認されました。
実験結果は、提案された方法が疾患診断の精度を効果的に向上させるだけでなく、予測の解釈可能性を高め、臨床診断により信頼性の高いサポートと証拠を提供することを示しています。

要約(オリジナル)

This paper proposes a knowledge-enhanced disease diagnosis method based on a prompt learning framework. The method retrieves structured knowledge from external knowledge graphs related to clinical cases, encodes it, and injects it into the prompt templates to enhance the language model’s understanding and reasoning capabilities for the task.We conducted experiments on three public datasets: CHIP-CTC, IMCS-V2-NER, and KUAKE-QTR. The results show that the proposed method significantly outperforms existing models across multiple evaluation metrics, with an F1 score improvement of 2.4% on the CHIP-CTC dataset, 3.1% on the IMCS-V2-NER dataset,and 4.2% on the KUAKE-QTR dataset. Additionally,ablation studies confirmed the critical role of the knowledge injection module,as the removal of this module resulted in a significant drop in F1 score. The experimental results demonstrate that the proposed method not only effectively improves the accuracy of disease diagnosis but also enhances the interpretability of the predictions, providing more reliable support and evidence for clinical diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google