AutoMIR: Recupero efficace delle informazioni mediche senza etichette di rilevanza

AutoMIR: Effective Zero-Shot Medical Information Retrieval without Relevance Labels

October 26, 2024
Autori: Lei Li, Xiangxu Zhang, Xiao Zhou, Zheng Liu
cs.AI

Abstract

Il recupero delle informazioni mediche (MIR) è essenziale per estrarre conoscenze mediche rilevanti da fonti diverse, tra cui cartelle cliniche elettroniche, letteratura scientifica e basi di dati mediche. Tuttavia, raggiungere un recupero denso efficace a zero-shot nel dominio medico pone notevoli sfide a causa della mancanza di dati etichettati come rilevanti. In questo articolo, presentiamo un nuovo approccio chiamato Incorporamento di Documenti Ipotetici Autoapprendente (SL-HyDE) per affrontare questo problema. SL-HyDE sfrutta grandi modelli linguistici (LLM) come generatori per generare documenti ipotetici basati su una determinata query. Questi documenti generati racchiudono contesti medici chiave, guidando un recuperatore denso nell'individuare i documenti più rilevanti. Il framework di autoapprendimento affina progressivamente sia la generazione di pseudo-documenti che il recupero, utilizzando corpora medici non etichettati senza richiedere dati etichettati come rilevanti. Inoltre, presentiamo il Benchmark di Recupero delle Informazioni Mediche Cinese (CMIRB), un framework di valutazione completo basato su scenari medici reali, che comprende cinque compiti e dieci set di dati. Valutando dieci modelli su CMIRB, stabiliamo uno standard rigoroso per valutare i sistemi di recupero delle informazioni mediche. I risultati sperimentali dimostrano che SL-HyDE supera significativamente i metodi esistenti in termini di accuratezza di recupero, mostrando una forte generalizzazione e scalabilità tra varie configurazioni di LLM e recuperatore. I dati di CMIRB e il codice di valutazione sono disponibili pubblicamente su: https://github.com/CMIRB-benchmark/CMIRB.
English
Medical information retrieval (MIR) is essential for retrieving relevant medical knowledge from diverse sources, including electronic health records, scientific literature, and medical databases. However, achieving effective zero-shot dense retrieval in the medical domain poses substantial challenges due to the lack of relevance-labeled data. In this paper, we introduce a novel approach called Self-Learning Hypothetical Document Embeddings (SL-HyDE) to tackle this issue. SL-HyDE leverages large language models (LLMs) as generators to generate hypothetical documents based on a given query. These generated documents encapsulate key medical context, guiding a dense retriever in identifying the most relevant documents. The self-learning framework progressively refines both pseudo-document generation and retrieval, utilizing unlabeled medical corpora without requiring any relevance-labeled data. Additionally, we present the Chinese Medical Information Retrieval Benchmark (CMIRB), a comprehensive evaluation framework grounded in real-world medical scenarios, encompassing five tasks and ten datasets. By benchmarking ten models on CMIRB, we establish a rigorous standard for evaluating medical information retrieval systems. Experimental results demonstrate that SL-HyDE significantly surpasses existing methods in retrieval accuracy while showcasing strong generalization and scalability across various LLM and retriever configurations. CMIRB data and evaluation code are publicly available at: https://github.com/CMIRB-benchmark/CMIRB.

Summary

AI-Generated Summary

PDF82November 16, 2024