HypEHR: Hiperbolikus modell válaszol orvosi kérdésekre – kevesebb paraméterrel
A modell a klinikai adatok hierarchikus szerkezetét használja ki, ami költséghatékonyabb megoldást kínál az elektronikus egészségügyi nyilvántartások (EHR) lekérdezésére.
Új hiperbolikus modellt mutatott be az ArXiv AI, amely HypEHR néven optimalizálja az elektronikus egészségügyi nyilvántartások (EHR) kérdés-válasz folyamatát, jelentősen kevesebb paraméterrel dolgozva, mint a nagyméretű nyelvi modellek (LLM) — írja a kutatási anyag.
A HypEHR egy kompakt Lorentzi modell, amely a kódokat, látogatásokat és kérdéseket hiperbolikus térbe ágyazza. Ez a megközelítés a geometria-konzisztens kereszt-figyelem mechanizmuson és típus-specifikus mutatófejeken keresztül válaszolja meg a lekérdezéseket. A fejlesztők szerint az orvosi ontológiák és a páciens-trajektóriák hiperbolikus geometriát mutatnak, ami inspirálta a modell kialakítását.
A HypEHR-t a következő látogatás diagnózisának előrejelzésével és hierarchia-tudatos regularizációval képzik elő, hogy a reprezentációkat az ICD ontológiával összehangolják. A modell két MIMIC-IV-alapú EHR-QA teljesítményteszten is megközelíti a LLM-alapú módszerek teljesítményét, miközben sokkal kevesebb paramétert használ.
A kutatók a modell kódját nyilvánosan elérhetővé tették a GitHubon, ami lehetővé teszi a további fejlesztéseket és az orvosi AI-alkalmazások szélesebb körű bevezetését. A HypEHR a Findings of ACL 2026 konferencián is elfogadásra került.