摘要
基于电子健康记录（EHR）预测未来临床结果因数据复杂性而极具挑战。现有方法多侧重知识增强，却忽视上下文解读能力。本文提出 ReMedi 框架，通过一种具有挑战性的样本再生机制，利用真实答案作为提示生成“推理 - 答案”对，以增强模型的推理能力并进行微调和偏好优化。该框架将真实结果指导整合进偏好数据构建循环中。实验表明，ReMedi 在多项 EHR 预测任务中 F1 分数较最先进基线提升高达 19.9%，证实了其在真实临床预测中的有效性。
AI 推荐理由
论文核心提出利用真实答案引导生成推理链，通过微调显著提升模型在复杂临床数据上的推理预测能力。
研究机构
ASUS Intelligent Cloud Services (AICS), Singapore
NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE), Taiwan
National University of Singapore, Singapore
论文信息