ترجمه فارسی مقاله MedSyn: چارچوب تولید متن پزشکی مصنوعی مبتنی بر LLM

چکیده

Generating synthetic text addresses the challenge of data availability in privacy-sensitive domains such as healthcare. This study explores the applicability of synthetic data in real-world medical settings. We introduce MedSyn, a novel medical text generation framework that integrates large language models with a Medical Knowledge Graph (MKG). We use MKG to sample prior medical information for the prompt and generate synthetic clinical notes with GPT-4 and fine-tuned LLaMA models. We assess the benefit of synthetic data through application in the ICD code prediction task. Our research indicates that synthetic data can increase the classification accuracy of vital and challenging codes by up to 17.8% compared to settings without synthetic data. Furthermore, to provide new data for further research in the healthcare domain, we present the largest open-source synthetic dataset of clinical notes for the Russian language, comprising over 41k samples covering 219 ICD-10 codes.

چکیده به فارسی (ترجمه ماشینی)

تولید متن مصنوعی به چالش در دسترس بودن داده ها در حوزه های حساس به حریم خصوصی مانند مراقبت های بهداشتی می پردازد.این مطالعه به بررسی کاربرد داده های مصنوعی در تنظیمات پزشکی در دنیای واقعی می پردازد.ما Medsyn را معرفی می کنیم ، یک چارچوب جدید تولید متن پزشکی که مدل های بزرگ زبان را با نمودار دانش پزشکی (MKG) ادغام می کند.ما از MKG برای نمونه برداری از اطلاعات پزشکی قبلی برای سریع و تولید نت های بالینی مصنوعی با مدل های GPT-4 و مدل LLAMA تنظیم شده استفاده می کنیم.ما فواید داده های مصنوعی را از طریق کاربرد در کار پیش بینی کد ICD ارزیابی می کنیم.تحقیقات ما نشان می دهد که داده های مصنوعی می توانند در مقایسه با تنظیمات بدون داده های مصنوعی ، دقت طبقه بندی کدهای حیاتی و چالش برانگیز را تا 17.8 ٪ افزایش دهند.علاوه بر این ، برای ارائه داده های جدید برای تحقیقات بیشتر در حوزه مراقبت های بهداشتی ، ما بزرگترین مجموعه داده مصنوعی منبع باز از یادداشت های بالینی را برای زبان روسی ارائه می دهیم ، که شامل بیش از 41K نمونه شامل 219 کد ICD-10 است.