从医学文本中提取医疗决策树的 Text2MDT
内容提要
该文综述医疗领域多项AI研究：HierDoc利用多模态树解码器提取文档标题层级，TEDS和F1分别达87.2%和88.1%；TEMED-LLM从医学报告提取结构化表格；多任务模型提升生物医学NLP表现；CGT与MedDM构建1202个诊断决策树；此外还涉及对话状态跟踪、可解释MoDT、Multitask-Clinical BERT、HuatuoGPT、ChiMed-GPT和TCM-GPT-7B等医疗大模型研究。
延伸解读
多模态融合提升文档结构提取
HierDoc 模型通过融合文本、视觉和布局信息，利用多模态树解码器提取文档标题层级，在 TEDS 和 F1 上分别达到 87.2% 和 88.1%。这表明对于结构复杂的医学文档，单一文本特征可能不足，结合版面视觉信息能更准确地还原标题间的层级关系，为后续信息抽取提供结构化基础。
决策树知识库支撑可解释诊断
研究构建了包含 1202 个诊断决策树的 MedDM 知识库，覆盖 12 个科室和 500 多种疾病，并提出了 LLM 可执行临床指导树（CGT）的推理方法。这为大型语言模型在临床诊断中提供了可追溯的决策路径，有助于提升模型输出的可解释性，但决策树的质量和覆盖范围仍需持续验证。
领域自适应提升中文医疗任务表现
ChiMed-GPT 和 TCM-GPT-7B 均通过领域特定语料进行预训练和微调，在信息提取、问答等任务上优于通用模型。TCM-GPT-7B 在中医任务上准确率相对提升 17% 和 12%，说明针对中文医疗场景进行领域自适应能有效改善模型性能，但需注意任务覆盖面和数据偏差可能影响泛化能力。
Q&A
HierDoc模型在文档标题层级提取任务中表现如何？
HierDoc使用多模态树解码器融合文本、视觉和布局信息，在TEDS相似度度量和F1-Measure上平均分别达到87.2%和88.1%。
TEMED-LLM如何实现医学诊断的可解释性？
TEMED-LLM从文本医学报告中提取结构化表格数据，并结合具有解释性的机器学习模型，实现端到端可解释的预测，较传统文本分类模型在医学诊断上性能更好。
MedDM数据集包含哪些内容？
MedDM包含从医学文献中筛选流程图并转化成的1202个标准化诊断决策树，覆盖内科、外科、精神科等12个医院科室和500多种疾病。
MoDT模型相比传统决策树有什么优势？
MoDT利用线性模型作为门控函数、决策树作为专家，将复杂问题分解为子问题，使每个决策可理解和追踪，实验证明其表现优于单个决策树和复杂度相似的随机森林。
ChiMed-GPT在医疗领域有哪些特点？
ChiMed-GPT是专为中国医疗领域设计的大语言模型，上下文长度扩展至4096个标记，经过预训练、监督微调和强化学习训练，在信息提取、问题回答和对话生成任务上优于通用领域大语言模型，并分析了潜在偏见。
TCM-GPT-7B在中医任务上的效果如何？
TCM-GPT-7B通过领域特定语料库进行高效预训练和微调，在两个中医任务上准确性相对提升17%和12%，验证了70亿参数大模型在中医领域自适应的有效性。
