Coupling Symbolic Reasoning with Language Modeling for Efficient Longitudinal Understanding of Unstructured Electronic Medical Records

要約

ヘルスケアにおける人工知能 (AI) の応用は、特にトランスフォーマーベースの大規模言語モデル (LLM) の最近の進歩により、革命的なものとなっています。
しかし、構造化されていない電子医療記録を理解するという作業は、記録の性質（組織化されていない、一貫性がない、冗長性など）と、LLM が医療変数の包括的な理解を可能にする推論パラダイムを導き出すことができないことを考慮すると、依然として課題となっています。
この研究では、構造化されていない臨床テキストの理解を向上させるために、記号推論と言語モデリングを組み合わせることの力を検証します。
このような組み合わせにより、非構造化レコードからのいくつかの医療変数の抽出が向上することを示します。
さらに、最先端の商用フリー LLM が、商用の LLM が提供するものと同等の検索機能を享受できることを示します。
最後に、LLM を独占的に使用するとパフォーマンスが最低になるため、記号推論を適用して LLM ステアリングを行う必要性について詳しく説明します。

要約(オリジナル)

The application of Artificial Intelligence (AI) in healthcare has been revolutionary, especially with the recent advancements in transformer-based Large Language Models (LLMs). However, the task of understanding unstructured electronic medical records remains a challenge given the nature of the records (e.g., disorganization, inconsistency, and redundancy) and the inability of LLMs to derive reasoning paradigms that allow for comprehensive understanding of medical variables. In this work, we examine the power of coupling symbolic reasoning with language modeling toward improved understanding of unstructured clinical texts. We show that such a combination improves the extraction of several medical variables from unstructured records. In addition, we show that the state-of-the-art commercially-free LLMs enjoy retrieval capabilities comparable to those provided by their commercial counterparts. Finally, we elaborate on the need for LLM steering through the application of symbolic reasoning as the exclusive use of LLMs results in the lowest performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google