|
Аннотация.
В работе предложены подходы к диагностике стадий заболевания по неструктурированным текстовым данным, представленные на примере мышечной дистрофии Дюшенна. Этапный подход включал извлечение ключевых признаков из первичных анонимизированных медицинских записей. Экспертные оценки значимости признаков (от 0 до 10) использовались для взвешенного голосования, определяющего стадию заболевания. При использовании больших языковых моделей (Large Language Model – LLM) качество ответов проверялось с использованием дополнительного модуля, контролирующего вывод модели. Структурированные в процессе работы LLM данные были использованы также для диагностики на основе метода рассуждения на прецедентах. Тестирование на реальных данных пациентов с болезнью Дюшенна показало точность системы 82,5%, в 7.5% случаев стадия определялась не более, чем на одну ниже действительной, и в 10% случаев не более, чем на одну выше действительной при использовании взвешенного голосования.
Ключевые слова:
большие языковые модели, Retrieval-Augmented Generation, рассуждения на прецедентах, медицинская диагностика, мышечная дистрофия Дюшенна, экспертные оценки, классификация стадий.
DOI 10.14357/20718632260211
EDN MZLSUI
Стр. 113-119.
Литература
1. Lu H., Naseem U. Can Large Language Models Enhance Predictions of Disease Progression? Investigating Through Disease Network Link Prediction // Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing. 2024. P. 17703-17715. DOI: 10.18653/v1/2024.emnlp-main.980. 2. Ben Shoham O., Rappoport N. CPLLM: Clinical prediction with large language models // PLOS Digit Health. 2024. Vol. 3, No. 12. e0000680. DOI: 10.1371/journal.pdig.0000680. 3. Yao L., Mao Ch., Luo Y. Clinical text classification with rule-based features and knowledge-guided convolutional neural networks // BMC Medical Informatics and Decision Making. 2019. Vol. 19, Suppl. 3(71). P. 31-39. DOI: 10.1186/s12911-019-0781-4. 4. Kobrinskii B.A. Fuzzy and Reflection in the Construction of a Medical Expert System // Journal of Software Engineering and Applications. 2020. Vol. 13, No. 2. P. 15-23. DOI: 10.4236/jsea.2020.132002. 5. Кобринский Б.А. Нечеткость и факторы уверенности вербальных и визуальных экспертных знаний // Нечеткие системы, мягкие вычисления и интеллектуальные технологии (НСМВИТ-2017): Труды VII всероссийской научно-практической конференции (г. Санкт-Петербург, 3-7 июля 2017 г.). В 2 т. Т. 1. СПб.: Политехника-сервис, 2017. С. 83-91. 6. Das R., Zaheer M., Thai D. et al. Case-Based Reasoning for Natural Language Queries over Knowledge Bases // arXiv:2104.08762v2. 2021. DOI: 10.48550/arXiv.2104.08762. 7. Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // arXiv:2005.11401v4. 2021. DOI: 10.48550/arXiv.2005.11401. 8. Wilkerson K., Leake D. On Implementing Case-Based Reasoning with Large Language Models // Case-Based Reasoning Research and Development: 32nd International Conference, ICCBR 2024, Merida, Mexico, July 1–4, 2024, Proceedings. P. 404 – 417. https://doi.org/10.1007/978-3-031-63646-2_26. 9. Xiong G., Bao J., Zhao W. Interactive-KBQA: Multi-Turn Interactions for Knowledge Base Question Answering with Large Language Models // arXiv:2402.15131v2. 2024. DOI: 10.48550/arXiv.2402.15131. 10. Prasath V.B., Alfelait H.A.A., Hassanat A. et al. Distance and similarity measures effect on the performance of K-nearest neighbor classifier — a review // arXiv:1708.04321v3. 2017. DOI: 10.48550/arXiv.1708.04321. 11. Kumar M., Mani U., Tripathi P. et al. Artificial Hallucinations by Google Bard: Think Before You Leap // Cureus. 2023. Vol. 11, No. 3. e4331. DOI: 10.7759/cureus.43313. 12. Alkaissi H., McFarlane S.I. Artificial Hallucinations in ChatGPT: Implications in Scientific Writing // Cureus. 2023. Vol. 15, No. 2. e35179. DOI: 10.7759/cureus.35179. 13. Кузьмич Р.И., Ступина А.А. Взвешенное голосование правил в задаче классификации данных // Тезисы IX Всероссийской научно-практической конференции творческой молодежи «Актуальные проблемы авиации и космонавтики». В 2 т. Т. 1. Красноярск: Сибирский государственный аэрокосмический университет, 2013. С.335-336. 14. Perner P. Case-Based Reasoning – Methods, Techniques, and Applications // Proceeding of the 24th Iberoamerican Congress, CIARP 2019. Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications. Lecture Notes in Computer Science. 2019. Vol. 11896. P. 16-30. DOI: Doi.org/10.1007/978-3-030-33904-3_2. 15. Ciafaloni E., Fox D.J., Pandya Sh. et al. Delayed Diagnosis in Duchenne Muscular Dystrophy: Data from the Muscular Dystrophy Surveillance, Tracking, and Research Network (MD STARnet) // The Journal of Pediatrics. 2009. Vol. 155, No. 3. P. 380-385. DOI: 10.1016/j.jpeds.2009.02.007.
|
