Span-Centric Learning：少量标注训练可解释LLM医疗编码
热点事件持续更新
Span-Centric Learning：少量标注训练可解释LLM医疗编码
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Xu Zhang、S. Kevin Zhou等论文作者在arXiv发布论文，提出Span-Centric Learning（SCL）方法做基于LLM的可解释医疗编码（ICD编码）。方法将编码知识获取与在完整文档上的应用分离：先从短跨度学习编码知识，再用少量完整文档训练模型将这些知识用于临床文档。 据论文摘要报告的实验结果，该方法使一个8B LLM仅用248篇完整文档训练即超过现有最优方法，并为每个预测编码提供与人工标注较一致的显式支持证据；作者还称模型可通过跨度学习到文档中未出现的编码知识并应用于完整文档。以上为作者声称，基于论文摘要，尚待独立验证。
AI 根据报道生成 · 3 小时前更新
最新进展10月16日 12:00
Span-Centric Learning用跨度级学习改进LLM医学编码报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv · cs.AISpan-Centric Learning用跨度级学习改进LLM医学编码
研究者提出Span-Centric Learning（SCL），先从短跨度学习医学编码知识，再用少量完整文档训练模型将知识应用于临床文档。基于论文摘要，8B LLM仅使用248篇完整文档进行训练便超过现有方法，同时为每个预测编码提供与人工标注较一致的显式支持证据。作者还报告，模型可通过跨度学习文档中未出现的编码知识，并将其应用到完整文档中。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 910月16日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。