[Paper] QIME：通过本体驱动的问题构建可解释的医学文本嵌入

Source: arXiv - 2603.01690v1

（请提供您希望翻译的具体文本内容，我将为您翻译成简体中文并保持原有的格式、Markdown 语法以及技术术语不变。）

概览

本文介绍了 QIME，这是一种将医学文本（例如临床笔记、研究摘要）转换为既高性能又可读的嵌入的新方法。QIME 并不使用不透明的稠密向量，而是将每篇文档表示为一系列 基于生物医学本体衍生的临床问题的是/否答案。这种方式使得嵌入对临床医生和开发者都具有可解释性，同时在准确性上仍可与黑箱模型竞争。

关键贡献

• 基于本体的问句生成：利用医学概念签名（如 SNOMED‑CT、MeSH）自动构造细粒度、临床意义明确的二元问句。
• 免训练嵌入构建：无需为每个问句训练单独的分类器；答案直接从语言模型的掩码语言模型（MLM）概率中获取。
• 兼顾可解释性与性能：在生物医学相似度、聚类和检索任务上实现最先进的结果，缩小与密集黑箱编码器之间的差距。
• 可扩展且模块化的设计：新医学领域或本体可在最少的工程工作量下接入。

方法论

1. 概念签名提取

   • 对于每个医学本体簇（例如“心血管疾病”），作者使用 TF‑IDF 和本体层级信息收集一组代表性术语（签名）。

2. 问题生成

   • 使用模板（“文本中是否提到 X？”）对每个签名术语进行实例化，生成候选是/否问题池。
   • 轻量评分模型根据 语义原子性（具体且非冗余程度）和 临床相关性 对问题进行排序。

3. 通过 MLM 回答

   • QIME 并不为每个问题训练二分类器，而是将问题和目标文本一起输入预训练的生物医学语言模型（例如 BioBERT）。
   • 模型对 “yes” 与 “no” 的掩码标记概率提供二元答案，构成最终嵌入的一个维度。

4. 嵌入组装

   • 二元答案的拼接向量（例如 256‑dim）即为 可解释嵌入。
   • 由于每个维度对应具体问题，开发者可以读出文档相似的原因（例如，两篇文档都对 “是否提到高血压？” 回答 “yes”）。

结果与发现

关键要点

• 即使是免训练变体也 优于 基于分类器的版本，表明基于 MLM 的回答是一个强信号。
• 定性分析显示，排名最高的问题往往对应临床决定性概念（例如，“患者是否在使用抗凝剂？”）。

Practical Implications

• 可解释的 AI 用于临床决策支持：开发者可以嵌入患者笔记，实时展示驱动相似度分数的具体临床事实，帮助建立信任并实现审计。
• 检索系统的快速原型构建：由于无需对每个问题进行训练，团队只需定义感兴趣的本体，即可快速搭建可搜索的知识库。
• 合规性：可解释的嵌入满足医疗 AI 部署中日益出现的“解释权”要求。
• 领域适应：添加新专业（例如肿瘤学）只需相应的本体；QIME 会自动生成相关问题，无需重新训练整个模型。

限制与未来工作

• 本体依赖：嵌入的质量取决于底层医学本体的完整性和粒度；罕见或新兴概念可能会被遗漏。
• 二元问题范围：复杂关系（例如时间或因果关系）被简化为是/否，可能会过度简化细微的临床叙述。
• 问题集的可扩展性：非常大的签名池会导致嵌入维度膨胀；未来工作可以探索自适应剪枝或层次化问题编码。
• 在真实临床工作流中的评估：本文侧重于基准数据集；在实际EHR系统中部署 QIME 并衡量其对临床医生工作流的影响仍是未完成的步骤。

作者

• Yixuan Tang
• Zhenghong Lin
• Yandong Sun
• Anthony K. H. Tung

论文信息

• arXiv ID: 2603.01690v1
• 分类: cs.CL, cs.AI
• 发表时间: 2026年3月2日
• PDF: 下载 PDF