Ein Modell-Ensemble-Ansatz mit LLM für die chinesische Textklassifikation

Die automatische Kategorisierung medizinischer Texte kann Ärzten helfen, Patienteninformationen effizient zu verwalten. Durch die Kategorisierung von Textinformationen wie Beschreibungen der Symptome durch Patienten können Ärzte wichtige Informationen leichter finden, den diagnostischen Prozess beschleunigen, qualitativ hochwertigere medizinische Empfehlungen geben und somit erfolgreich die Entwicklung intelligenter Diagnose- und automatisierter medizinischer QA-Dienste fördern. In diesem Beitrag wird ein Ansatz zur medizinischen Textkategorisierung im Rahmen der Open-Share-Aufgabe der 9. China Conference on Health Information Processing (CHIP 2023) vorgestellt, bei der komplexe textuelle Beziehungen die beiden Hauptherausforderungen dieser Aufgabe darstellen. Es wird ein Modell-Integrationsschema vorgeschlagen, das durch die komplementäre Beziehung dreier verschiedener Submodelle die effektive Lösung der medizinischen Textkategorisierung ermöglicht. Zudem werden externe Werkzeuge bereitgestellt, um gezielt die Datenaugmentation für schwierige, schwer zu klassifizierende Beispiele durchzuführen und somit Fehlklassifikationen zu reduzieren. Die endgültigen Ergebnisse werden durch ein Abstimmungsmechanismus der Modelle erzielt. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Ansatz eine Genauigkeit von 92 % erreicht und damit die Wirksamkeit des Modells nachweist.