沙丘社区
论文

EPPC-OASIS：面向安全消息中电子医患沟通挖掘的本体感知适配与结构化推理精化

EPPC-OASIS: Ontology-Aware Adaptation and Structured Inference Refinement for Electronic Patient-Provider Communication Mining in Secure Messages

Samah Fodeh, Sreeraj Ramachandran, Elyas Irankhah, Muhammad Arif, Afshan Khan, Ganesh Puthiaraju, Linhai Ma, Srivani Talakokkul, Jordan Alpert, Sarah Schellhorn
模型训练上下文与知识监督微调与指令调优本体

摘要

安全的医患消息中包含临床上重要的沟通行为，但难以大规模人工刻画。电子医患沟通（EPPC）框架为编码这些行为提供了本体，但自动化提取仍然困难，因为预测既要保留细粒度的编码/子编码结构，又要把标注落实到消息文本上。我们开发了EPPC-OASIS，一种面向结构化EPPC提取的本体感知适配方法，并将其与旨在提升最终标注连贯性的可部署推理精化流程相结合。EPPC-OASIS在监督微调之上增加Wasserstein对齐目标，促使模型表示邻域与EPPC本体导出的邻域对齐；推理精化则使用验证、自一致性、混合纠正以及选择或集成来处理残余预测误差。我们在去标识化的安全医患消息语料上评估该框架，对照提示、监督微调、基于偏好与面向鲁棒性的基线，覆盖多个开源权重语言模型。在各模型家族中，最佳可部署管线取得77.13%的Code+Sub-code F1与63.83%的Triplet F1，相对最强的监督微调基线分别带来+1.39与+2.12 F1的温和而一致的绝对提升。这些结果表明，本体感知适配结合结构化推理精化能够支持可扩展的回顾性EPPC挖掘，但在投入运营使用之前仍需外部验证。

EPPC-OASIS：面向安全消息中电子医患沟通挖掘的本体感知适配与结构化推理精化：论文配图
图 1：拟议的 EPPC-OASIS 框架概述，用于从安全的患者-提供者消息中进行结构化 EPPC 提取。该工作流程由两个主要阶段组成：训练期间的本体感知适应和推理期间的结构化推理细化。训练阶段使用 EPPC 本体层次结构和本体感知表示对齐将安全消息输入转换为结构化 JSON 注释。然后使用受本体约束的学习信号进行监督微调来调整指令调整的开放权重LLM。在推理过程中，该框架应用了多种结构化细化策略，包括思想链自我细化（CoT-SR）验证和细化、自一致性采样、混合细化、候选聚合以及基于选择器/重排序器的预测选择。最终输出是模式有效的结构化 EPPC 预测，其中包含代码、子代码和支持证据 Span 注释。