軽量なオープンソース大規模言語モデルを用いた臨床ノートセクション分類のための動的少数ショットプロンプティング
カテゴリ：公衆衛生・予防医療
公開日：2026年2月19日
タイトル：Dynamic few-shot prompting for clinical note section classification using lightweight, open-source large language models.
雑誌名：J Am Med Inform Assoc. 2025 Jul 01; 32(7): 1164-1173. doi: 10.1093/jamia/ocaf084.
概 要：
本研究は、臨床ノートに埋め込まれた情報の抽出を改善するために、動的な例選択プロンプティング手法を用いてセクション分類を行うことを目的としています。特に、軽量なオープンソースの大規模言語モデル（LLM）を活用し、実際の医療現場での自然言語処理（NLP）システムにおける実用的な解決策を探ります。セクションのサンプルを埋め込み、類似したコンテキストを持つサンプルを動的に選択することで、情報抽出の精度を向上させることが期待されます。
方 法：
動的少数ショットプロンプティングアプローチを開発し、セクションサンプルをトランスフォーマーベースのモデルで埋め込み、ベクトルストアに保存します。推論時には、入力されたセクションテキストに最も類似した埋め込みサンプルをベクトルストアから取得し、LLMプロンプトに挿入します。この手法を2つのデータセットで評価し、ゼロショットおよびランダムに選択された少数ショットシナリオと比較しました。
結 果：
動的少数ショットプロンプティング実験では、すべての分類タスクおよびデータセットにおいて最高のF1スコアを達成し、主要なセクション分類タスクではゼロショットおよび静的少数ショットのベースラインに対してそれぞれ39.3%および21.1%のマクロF1スコアの向上を示しました。
結 論：
動的に選択された例を用いた少数ショットLLMプロンプティングによる性能向上が顕著であり、セクションコンテキストを含めることでさらなる改善が見られました。この手法は臨床応用において有望な可能性を示しています。