Key points are not available for this paper at this time.
임상 NLP 커뮤니티의 오랜 목표는 임상 노트에 갇힌 중요한 변수를 추출하는 것입니다. 그러나 일반 도메인에서의 데이터셋 이동과 공개 임상 코퍼스 및 주석의 부족이 장애물이었습니다. 본 연구에서는 InstructGPT와 같은 대형 언어 모델이 임상 도메인을 위해 특별히 훈련되지 않았음에도 불구하고 임상 텍스트에서 제로 및 몇 가지 샷 정보 추출을 잘 수행한다는 것을 보여줍니다. 텍스트 분류 및 생성 성능이 이러한 모델에서 이미 광범위하게 연구된 반면, 여기에서는 더 구조화된 출력을 요구하는 다양한 NLP 작업을 해결하기 위해 이러한 모델을 활용하는 방법도 추가로 시연합니다. 여기에는 범위 식별, 토큰 수준의 시퀀스 분류 및 관계 추출이 포함됩니다. 또한 이러한 시스템을 평가할 수 있는 데이터의 부족으로 인해 새로운 작업을 위한 CASI 데이터셋의 수동 재주석을 기반으로 몇 가지 샷 임상 정보 추출에 대한 벤치마킹을 위한 새로운 데이터셋을 소개합니다. 우리가 연구한 임상 추출 작업에서 GPT-3 시스템은 기존의 제로 및 몇 가지 샷 기준을 크게 능가합니다.
Agrawal et al. (Wed,)는 이 질문을 연구했습니다.