跳到主要内容

# SNOMED CT

2 篇关联报道

Studies in health technology and informatics 2026年9月17日
德语临床表达到 SNOMED CT 的医学概念归一化：领域嵌入检索加 LLM 重排优于纯 LLM 方案
该研究针对德语临床短表达到 SNOMED CT 的医学概念归一化任务，比较了直接使用 GPT-5.4 的纯大语言模型方案与结合 medBERT.de 双编码器嵌入检索和 RAG 式 LLM 重排的混合方案，结果显示纯 LLM 基线 Recall@1 为 0.235、Recall@3 为 0.297、Recall@5 为 0.303，而嵌入检索方案达到 Recall@1 0.681、Recall@3 0.783、Recall@5 0.812，加入 RAG 重排后 Recall@1 进一步提升至 0.771，Recall@3 和 Recall@5 分别为 0.809 和 0.812。
该研究针对德语临床短表达到 SNOMED CT 的医学概念归一化任务，比较了直接使用 GPT-5.4 的纯大语言模型方案与结合 medBERT.de 双编码器嵌入检索和 RAG 式 LLM 重排的混合方案，结果显示纯 LLM 基线 Recall@1 为 0.235、Recall@3 为 0.297、Recall@5 为 0.303，而嵌入检索方案达到 Recall@1 0.681、Recall@3 0.783、Recall@5 0.812，加入 RAG 重排后 Recall@1 进一步提升至 0.771，Recall@3 和 Recall@5 分别为 0.809 和 0.812。
German Research Centre for Artificial Intelligence Medical University of Graz Center For Biomarker Research In Medicine
Helena Adam（第一作者）
医学概念规范化 SNOMED CT 检索增强生成 GPT-5.4
medRxiv 2026年9月13日
SNOMED CT 上的混合词法-语义检索：让两种检索范式共存以支持临床数据录入
该工作提出并实现了一套在 SNOMED CT 官方描述之上让确定性词法检索与学习式语义检索共存的混合检索架构，结合多前缀搜索、BioLORD-2023-M 嵌入、可选 BGE 交叉编码器重排与本地 LLM 查询规范化，并用倒数排名融合与层级过滤整合结果；在 DisTEMIST 西班牙语 542 条疾病提及的零样本仅检索链接评测中，语义检索加重排且不做 LLM 预处理的配置取得 accuracy@1 为 0.60、recall@10 为 0.80，在英文真实 EHR 出院记录 12,897 条提及的字段限定 typeahead 评测中，73% 的提及其概念进入前十候选列表（accuracy@1 为 0.52），并显示两路通道可共存而不互相损害。
该工作提出并实现了一套在 SNOMED CT 官方描述之上让确定性词法检索与学习式语义检索共存的混合检索架构，结合多前缀搜索、BioLORD-2023-M 嵌入、可选 BGE 交叉编码器重排与本地 LLM 查询规范化，并用倒数排名融合与层级过滤整合结果；在 DisTEMIST 西班牙语 542 条疾病提及的零样本仅检索链接评测中，语义检索加重排且不做 LLM 预处理的配置取得 accuracy@1 为 0.60、recall@10 为 0.80，在英文真实 EHR 出院记录 12,897 条提及的字段限定 typeahead 评测中，73% 的提及其概念进入前十候选列表（accuracy@1 为 0.52），并显示两路通道可共存而不互相损害。
Alejandro López Osornio（第一作者）
混合概念检索 SNOMED CT 倒数排名融合实体链接

已读完全部报道