LLMによるFHIRリソース生成:CFGを用いた構造化アプローチの提案
Context-Free Grammar-Guided Generation of FHIR Resources Using Large Language Models
サマリー
研究者らは、大規模言語モデル(LLMs)が持つ医療情報抽出能力を活用しつつ、その出力の課題を解決するため、コンテキストフリー文法(CFGs)に基づく新しいパイプラインを開発した。本手法はFHIRからJSON Schemaを合成することで文法を生成し、構造的な妥当性を高めることを示した。
詳細
大規模言語モデル(LLMs)は医療情報抽出やデータ変換に優れた能力を示す一方、その出力が非構造的であるため、臨床データパイプラインへの組み込みが困難という課題がある。FHIR(Fast Healthcare Interoperability Resources)は標準的なデータモデルを提供するものの、その複雑なネスト構造や厳格な構文ルールのため、LLMsによる信頼性の高い生成は難しいとされてきた。 本研究では、この課題に対し、FHIR由来のJSON Schemaからコンテキストフリー文法(CFGs)を合成するパイプラインを提案した。これにより、LLMを用いてスキーマに準拠した構造化されたリソース生成が可能となる。特に、厳格なスキーマガイドアプローチの限界を回避するため、「緩和されたキー順序付け」を採用している点が特徴的である。 FHIR R5のリソースを用いた17のテストケースで評価を行った結果、CFGによる生成は76.5%の妥当性を達成した。これはJSON Schemaガイドによる41.2%、未誘導(unguided)な生成(17.6%)を大きく上回る数値である。さらに、本アプローチは、他の手法では保証が難しい値制約(列挙型など)や構造的コンプライアンスの強制に成功した。
Original content copyright by respective publishers