arXiv cs.CL· Choonghan Kim, Hyunmin Hwang, Hangeol Chang, Jaemin Kim, Jinse Park, Jae-Sung Lim, Jong Chul Ye·· 11 小时前AI 评分31
Dementia-R1：基于强化预训练与推理，从非结构化临床笔记预测痴呆症预后
Dementia-R1: Reinforced Pretraining and Reasoning from Unstructured Clinical Notes for Real-World Dementia Prognosis
AI 导读
Dementia-R1 是一个基于强化学习的框架，可从非结构化临床笔记中进行纵向痴呆症预后预测，采用 Cold-Start RL 策略先预训练模型预测患者病史中可验证的临床指标。
正文 · AI 翻译
摘要：尽管大型语言模型（LLM）在临床文本理解方面表现出色，但它们在纵向预测任务（如痴呆症预后）上仍存在困难，这类任务需要对多次就诊中复杂、非单调的症状轨迹进行推理。标准监督训练缺乏对症状演变的显式标注，而直接强化学习（RL）又受限于稀疏的二值奖励。为应对这一挑战，我们提出了 Dementia-R1，一个基于 RL 的框架，用于从非结构化临床记录中进行纵向痴呆症预后。我们的方法采用冷启动 RL 策略，先预训练模型预测从患者病史中提取的可验证临床指标，从而在确定最终临床状态之前增强对疾病进展的推理能力。大量实验表明，Dementia-R1 在 AMC 真实世界非结构化队列上取得了最佳整体性能，AUROC 达到 84.02%，优于规模最高达其 10 倍的模型。该框架还能泛化到独立医院队列中的帕金森病痴呆预测，AUROC 达到 78.37%。在 ADNI 基准上，我们的 7B 模型在所有 LLM 基线中取得了最高的 AUROC，为 83.17%，展示了对波动认知轨迹的强大纵向推理能力。代码可在 此 https URL 获取。
| 评论： | 已被 EMNLP 2026 接收 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2601.03018 [cs.CL] |
| （或 arXiv:2601.03018v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.03018 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jong Chul Ye [查看邮箱]
[v1]
2026年1月6日星期二 13:44:04 UTC（1,782 KB）
[v2]
2026年3月20日星期五 10:22:25 UTC（2,404 KB）
[v3]
2026年10月23日星期五 04:57:24 UTC（2,404 KB）
来源：arXiv cs.CL · arxiv.org