arXiv cs.AI· Sayantan Kumar, Nicolas Grimaldi, Jack Cummins, Jeremy C. Weiss·· 1 天前AI 评分27
基于 UID 保留的多模态重建与来源溯源裁决：将临床事件锚定在时间线上
Anchoring Clinical Events in Time: UID-Preserving Multimodal Reconstruction and Source-Grounded Adjudication
AI 导读
研究者提出一种保留 UID 的临床时间线重建方法，为每个抽取事件分配与来源文本片段绑定的持久唯一标识，并联合修正事件时间估计。在 40 份临床医生标注的出院小结上，该流程在相同骨干模型下比 LLM-Timeline 和 TKW2 找回更多参考事件；对 GLM-5.2 而言，加入结构化证据提升了时间戳一致性且事件召回基本不变。
正文 · AI 翻译
摘要：解读患者的住院过程取决于症状出现的时间、检查执行的时间以及治疗开始的时间。出院小结往往使这一时间顺序不清晰，而结构化的电子健康记录（EHR）表格仅对其中部分事件打上时间戳。我们通过为叙事事件检索结构化证据并联合修正其估计时间来重建临床时间线。每个提取出的事件都带有一个持久的唯一标识符（UID），并链接到其来源文本片段，从而在重建过程中保持重复提及彼此区分。我们还引入了 GAVEL，一个大型语言模型（LLM）评判器，它对照病历记录和结构化记录检查两条时间线之间的分歧，并为其裁决引用证据。我们在 40 份由临床医生标注的出院小结上评估了六个开放权重模型。在每次比较使用相同主干模型的情况下，我们的流程比 LLM-Timeline 和 TKW2 恢复了更多参考事件。对于 GLM-5.2，加入结构化证据提高了时间戳一致性，而事件恢复基本不变；消融实验表明，与带时间戳的源数据行的链接促成了这一改进。其他模型的结果各不相同，部分模型在时间准确性上有所提升，但恢复的事件数量减少。两个 GAVEL 评判器，GLM-5.2 和 MiMo-V2.6-Pro-RL，都更倾向于多模态 GLM-5.2 时间线而非纯文本 GLM-5.2 时间线，而两者都未能清晰区分 DeepSeek V3.2 的各变体。人工审查确认了大多数抽样的 GAVEL 发现。源链接使重建的时间可被核查，GAVEL 则识别出分歧以供人工审查。
| 评论： | 被接收为 Proceedings of Machine Learning for Health (ML4H 2026) in PMLR |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.13062 [cs.AI] |
| （或 arXiv:2609.13062v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.13062 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sayantan Kumar [查看邮箱]
[v1]
2026年9月11日星期五 17:01:10 UTC（10,331 KB）
[v2]
2026年11月11日星期三 17:19:45 UTC（2,110 KB）
来源：arXiv cs.AI · arxiv.org