首页/论文/2308.04469

arXiv 2308.044692023-08-08cs.LGcs.AI

通过深度学习神经网络关联医疗保险理赔服务

Correlating Medi-Claim Service by Deep Learning Neural Networks

Vellore Institute of Technology（韦洛尔理工学院）；Valliammal Eng College, SRM（SRM 瓦利亚马尔工程学院）

Jayanthi Vajiram, Negha Senthil, Nean Adhith. P

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

AI总结：

针对医疗保险理赔中的有组织欺诈与洗钱问题，本文采用卷积神经网络结合回归模型相关性研究，并使用监督与无监督分类器识别欺诈及非欺诈理赔。

摘要：

医疗保险理赔涉及与患者、医生、诊断中心和保险提供商相关的有组织犯罪，形成必须持续监控的连锁反应。此类欺诈会影响被保险人和健康保险公司的财务增长。卷积神经网络架构被用于通过回归模型的相关性研究来检测欺诈性理赔，这有助于检测不同提供商给出的不同理赔中的洗钱行为。监督和无监督分类器被用于检测欺诈和非欺诈理赔。

英文摘要：

Medical insurance claims are of organized crimes related to patients, physicians, diagnostic centers, and insurance providers, forming a chain reaction that must be monitored constantly. These kinds of frauds affect the financial growth of both insured people and health insurance companies. The Convolution Neural Network architecture is used to detect fraudulent claims through a correlation study of regression models, which helps to detect money laundering on different claims given by different providers. Supervised and unsupervised classifiers are used to detect fraud and non-fraud claims.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于Transformer的无监督患者表示学习基于医疗索赔进行风险分层和分析

Transformer-based unsupervised patient representation learning based on medical claims for risk stratification and analysis

Ohio University（俄亥俄大学）；Nationwide Children's Hospital（全国儿童医院）

索赔数据包含医疗代码、服务信息和已发生的支出，可以是评估个人健康状况和医疗风险水平的良好资源。在这项研究中，我们开发了基于转换器的多模态自动编码器（TMAE），这是一个无监督学习框架，可以通过对索赔数据中有意义的信息进行编码来学习有效的患者表示。TMAE是出于医疗保健的实际需要，将患者分为不同的风险级别，以改善护理和管理。与以前的方法相比，TMAE能够1）对住院病人、门诊病人和药物索赔进行集体建模，2）处理医疗事件之间的不规则时间间隔，3）缓解罕见医疗代码的稀疏问题，以及4）合并医疗支出信息。我们使用包含超过60万名患者的真实儿科索赔数据集训练TMAE，并在两个聚类任务中将其性能与各种方法进行比较。实验结果表明，TMAE具有优越的性能相比，所有的基线。多个下游应用程序也进行了说明我们的框架的有效性。令人鼓舞的结果证实，TMAE框架可扩展到大型索赔数据，并能够生成有效的患者嵌入风险分层和分析。

2021-06-23cs.AIcs.LG

使用索赔代码通过分层时间感知神经网络预测患者ADE风险

Patient ADE Risk Prediction through Hierarchical Time-Aware Neural Network Using Claim Codes

New Jersey Institute of Technology（新泽西理工学院）；Inovalon；University of Maryland, College Park（马里兰大学帕克分校）

药物不良事件（ADE）是一种严重的健康问题，可能危及生命。虽然已经进行了大量研究来检测药物与AE之间的相关性，但对个性化ADE风险预测进行的研究有限。在治疗替代方案中，避免使用极有可能导致重度AE的药物可帮助医生为患者提供更安全的治疗。关于个性化ADE风险预测的现有工作使用当前医疗访视中获得的信息。然而，另一方面，病史揭示了每个患者的独特特征和全面的医疗信息。本研究的目的是根据索赔代码中记录的患者病史评估目标药物可能对目标患者引起的个性化ADE风险，索赔代码提供了有关诊断、所用药物、相关医疗用品以及账单信息的信息。我们开发了一个HTNNR模型（分层时间感知神经网络ADE风险），捕捉索赔代码的特征和它们之间的关系。实证结果表明，HTNNR模型的预测效果明显优于其他比较方法，尤其是对稀有药物的预测效果更好。

2020-08-20cs.AIcs.LG

患者的分布式表示及其在医疗费用预测中的应用

Distributed representation of patients and its use for medical cost prediction

Ohio University（俄亥俄大学）；The Research Institute at Nationwide Children’s Hospital（全国儿童医院研究所）

患者的有效表示在医疗保健领域非常重要，并且可以帮助执行许多任务，例如医疗风险预测。许多现有的方法，如诊断成本组（DCG），依赖于专家知识，从医疗数据，这是资源消耗和不可扩展的病人表示。无监督机器学习算法是自动化表示学习过程的一个很好的选择。然而，很少有研究集中在病人层面的表示学习直接从医疗索赔。在本文中，我们提出了一种新的患者向量学习架构，学习高质量，固定长度的患者表示索赔数据。我们进行了几个实验来测试我们学习的表示的质量，实证结果表明，我们学习的患者向量优于通过其他方法（包括流行的商业模型）学习的向量。最后，我们提供了潜在的临床解释，用于在预测任务上使用我们的表示，因为可解释性在医疗保健领域至关重要

2019-09-13cs.AIcs.LG

将Twitter语言与社区水平的健康结果相关联

Correlating Twitter Language with Community-Level Health Outcomes

EPFL（洛桑联邦理工学院）；SpinningBytes（SpinningBytes公司）；Swiss Re（瑞士再保险公司）；ZHAW（苏黎世应用科学大学）

我们研究社交媒体上的语言如何与动脉粥样硬化性心脏病（AHD），糖尿病和各种癌症等疾病联系在一起。我们提出的模型利用了最先进的句子嵌入，然后是回归模型和聚类，而不需要额外的标记数据。它允许从语言中预测社区水平的医疗结果，从而有可能将这些结果转化为个人水平。该方法适用于广泛的目标变量，并使我们能够发现已知的和潜在的新的相关性的医疗结果与生活方式方面和其他社会经济风险因素。

2019-06-24cs.CLcs.LGcs.SI

从住院患者的医疗索赔数据预测全因住院

Predicting All-Cause Hospital Readmissions from Medical Claims Data of Hospitalised Patients

Evive Software Analytics Pvt. Ltd.（Evive软件分析私有有限公司）

减少可预防的再入院是寻求改善医疗保健和降低成本的支付者、提供者和政策制定者的国家优先事项。再入院率被用作确定医院提供的医疗保健质量的基准。在这个项目中，我们使用了机器学习技术，如逻辑回归，随机森林和支持向量机来分析健康索赔数据，并确定在预测全因再入院中起关键作用的人口统计和医疗因素。由于健康索赔数据是高维的，我们使用主成分分析作为降维技术，并使用的结果建立回归模型。我们根据曲线下面积（AUC）指标对这些模型进行了比较和评估。随机森林模型的性能最高，其次是Logistic回归和支持向量机模型。这些模型可用于确定导致再入院的关键因素，并帮助确定需要重点关注的患者，以减少再入院的机会，最终降低成本并提高为患者提供的医疗保健质量。

2025-10-30cs.AIcs.LG

在医疗索赔数据中，利用交叉注意力提升主要不良心血管事件的预测性能

In Medical Claims Data, Enhancing Predictive Performance for Major Adverse Cardiovascular Events Using Cross Attention

Kyoto University Graduate School of Medicine（京都大学医学研究科）；Cancerscan Inc.（Cancerscan 公司）；Shiga University（滋贺大学）

本研究利用交叉注意力机制整合医疗索赔数据中的诊断与治疗关系，生成更具代表性的特征，显著提升了主要不良心血管事件（MACE）的预测性能，ROC-AUC达0.7720，优于多个基准模型。

2026-09-10cs.LG

更多相关论文收起更多论文

基于Transformer的Medicare索赔编码器的可解释健康风险预测器

Explainable Health Risk Predictor with Transformer-based Medicare Claim Encoder

Booz Allen Hamilton（博思艾伦汉密尔顿）

2019年，医疗保险和医疗补助服务中心（CMS）发起了一项人工智能（AI）健康成果挑战赛，寻求解决方案来预测基于价值的护理风险，以纳入CMS创新中心的支付和服务提供模式。最近，现代语言模型在许多健康相关的任务中发挥了关键作用。本文介绍了，据我们所知，这些模型的第一个应用程序，病人再入院预测。为了促进这一点，我们创建了一个由CMS发布的有限数据集（LDS）中的120万个病史样本组成的数据集。此外，我们提出了一个全面的建模解决方案，集中在一个深度学习框架，这些数据。为了演示该框架，我们训练了一个基于注意力的Transformer来学习Medicare语义，以支持执行下游预测任务，从而在再入院分类上实现0.91 AUC和0.91召回。我们还介绍了一种新的数据预处理管道，并讨论了围绕模型可解释性和偏差的相关部署考虑因素。

2021-05-19cs.AIcs.CLcs.LG

MasonNLP+ 参与 SemEval-2023 任务8：使用知识增强的预训练语言模型从社交媒体中提取医疗问题、经历与主张

MasonNLP+ at SemEval-2023 Task 8: Extracting Medical Questions, Experiences and Claims from Social Media using Knowledge-Augmented Pre-trained Language Models

George Mason University（乔治梅森大学）；CGI Inc.（CGI集团）

本研究针对SemEval-2023任务8的社交媒体医疗信息提取需求，提出知识增强的预训练语言模型提取系统，在两个子任务中均获第三名，还探索了领域专用模型与外部知识的应用效果。

2023-04-26cs.CLcs.LG

Monant Medical错误信息数据集：将文章映射到事实证明声明

Monant Medical Misinformation Dataset: Mapping Articles to Fact-Checked Claims

Kempelen Institute of Intelligent Technologies（凯普伦智能技术研究所）；Faculty of Information Technology, Brno University of Technology（布尔诺理工大学信息技术学院）

虚假信息对个人乃至整个社会都有重大的负面影响。特别是在当前的COVID-19时代，我们目睹了医疗错误信息的前所未有的增长。为了用机器学习方法来帮助解决这个问题，我们发布了一个功能丰富的数据集，大约有100个机器学习算法。317 k医学新闻文章/博客和3.5k事实核查索赔。它还包含573个手动和超过51 k个自动标记的声明和文章之间的映射。映射包括声明存在，即，声明是否包含在给定的文章中，以及文章对声明的立场。我们为这两个任务提供了几个基线，并在数据集的手动标记部分对其进行评估。该数据集支持许多与医疗错误信息相关的额外任务，例如错误信息表征研究或来源之间错误信息扩散的研究。

2022-04-26cs.CLcs.CYcs.IR

医疗概念的表示学习及其在健康计划支付风险调整中的应用

Medical Concept Representation Learning from Claims Data and Application to Health Plan Payment Risk Adjustment

Geneia LLC（Geneia有限责任公司）

风险调整已成为医疗保健中越来越重要的工具。它被广泛应用于保健计划的付款调整，以反映为成员提供保险的预期费用。风险调整模型通常使用线性回归进行估计，这并没有充分利用索赔数据中的信息。此外，这种线性回归模型的开发需要大量的领域专家知识和数据预处理的计算工作。在本文中，我们提出了一种新的风险调整方法，使用语义嵌入来表示患者的病史。嵌入有效地表示从患者病史中的诊断、程序和处方代码中学习的医学概念。这种方法大大减少了对特征工程的需求。我们的研究结果表明，模型使用嵌入有更好的性能比商业风险调整模型的前瞻性风险评分预测的任务。

2019-07-15cs.LGstat.ML

可解释的（不仅仅是事后解释的）医疗索赔模型，用于出院安置，以防止可避免的全因再入院或死亡

Interpretable (not just posthoc-explainable) medical claims modeling for discharge placement to prevent avoidable all-cause readmissions or death

Mederrata Research and Sound Prediction（Mederrata研究与声音预测公司）；NIH NIDDK（美国国立卫生研究院国家糖尿病、消化与肾脏疾病研究所）；Mederrata Research（Mederrata研究公司）；Blue Health Intelligence（蓝色健康智能公司）；Walter Reed Army Institute of Research（沃尔特·里德陆军研究所）；Sound Prediction and Mederrata Research（声音预测与Mederrata研究公司）

我们开发了一个本质上可解释的多层贝叶斯框架，用于表示回归系数的变化，该框架模仿ReLU激活的深度神经网络的分段线性。我们使用该框架来制定一个生存模型，用于使用医疗索赔来预测医院再入院和死亡，重点是出院安置，调整估计因果局部平均治疗效果的混杂因素。我们在2008年和2011年的5%的医疗保险受益人样本上训练了模型，基于他们2009- 2011年的住院事件，然后在2012年的事件上测试了模型。该模型在预测全因再入院（使用官方医疗保险和医疗补助服务中心（CMS）方法定义）或出院后30天内死亡方面的AUROC得分约为0.76，与XGBoost和贝叶斯深度神经网络相比具有竞争力，表明人们不必为了准确性而牺牲可解释性。至关重要的是，作为一个回归模型，我们提供了黑盒无法提供的东西--对模型的精确黄金标准全球解释，识别相对风险因素，量化出院安置的影响。我们还表明，posthoc解释SHAP未能提供准确的解释。

2023-01-29cs.AIcs.CYcs.LG

健康保险索赔数据的自我监督：一个Covid-19用例

Self-supervision for health insurance claims data: a Covid-19 use case

Exponential Technology CoE, Anthem（Anthem 指数技术卓越中心）

在这项工作中，我们修改和应用自我监督技术的领域的医疗健康保险索赔。我们模拟患者的医疗索赔历史，类似于自由文本叙述，并引入预先训练的“先验知识”，随后用于对一项具有挑战性的任务进行患者结局预测：根据患者的前Covid-19保险索赔历史预测Covid-19住院。结果表明，对保险索赔进行预训练不仅可以产生更好的预测性能，而且更重要的是，可以提高模型的“临床可信度”和模型的稳定性/可靠性。

2021-07-19cs.AIcs.CLcs.LG

使用医疗保险索赔数据预测老年患者的短期死亡率

Short-term Mortality Prediction for Elderly Patients Using Medicare Claims Data

Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；National Bureau of Economic Research（美国国家经济研究局）；Harvard Medical School（哈佛医学院）

风险预测是临床医学和公共卫生的核心。虽然已经开发了许多机器学习模型来预测死亡率，但它们很少应用于临床文献，其中分类任务通常依赖于逻辑斯谛回归。其中一个原因是，现有的机器学习模型往往试图通过整合提供商和政策制定者随时可用的数据库中不存在的功能来优化预测，从而限制了可推广性和实施。在这里，我们测试了一些机器学习分类器，用于预测老年医疗保险受益人人群的六个月死亡率，使用的是大多数医疗保健支付者和提供者可用的行政索赔数据库。我们表明，机器学习分类器大大优于目前广泛使用的风险预测方法，但只有当使用改进的功能集，结合临床医学的见解，为这项研究开发。我们的工作应用于支持患者和提供者在生命结束时的决策，以及以人口健康为导向的努力，以确定处于不良结局高风险的患者。

2017-12-02cs.LGstat.ML

AIRwaves在CheckThat! 2025中的研究：使用双编码器和神经重排序为社交媒体上的隐含声明检索科学来源

AIRwaves at CheckThat! 2025: Retrieving Scientific Sources for Implicit Claims on Social Media with Dual Encoders and Neural Re-Ranking

TU Wien（维也纳技术大学）

本研究提出双编码器与神经重排序的两阶段检索流程，用于社交媒体隐含科学声明的证据检索，在CheckThat! 2025中显著提升MRR@5至0.6828。

2025-09-23cs.AIcs.IRcs.LG

使用医疗索赔对用于疾病预测的AutoML框架进行基准测试

Benchmarking AutoML Frameworks for Disease Prediction Using Medical Claims

OptumLabs at UnitedHealth Group（联合健康集团 OptumLabs）；University of Pennsylvania（宾夕法尼亚大学）

我们确定并比较了AutoML工具在大型、高度不平衡的医疗数据集上的性能。我们使用历史行政索赔生成了一个大型数据集，包括2019年之前四个不同时间窗口的人口统计信息和疾病代码标志。然后，我们在这个数据集上训练了三个AutoML工具，以预测2019年的六种不同疾病结果，并评估了模型在几个指标上的性能。AutoML工具显示出与基线随机森林模型相比的改进，但彼此之间没有显著差异。所有的模型都记录了较低的精确-召回曲线下面积，并且在保持高的真阴性率的同时未能预测真阳性。模型性能与患病率无直接关系。我们提供了一个具体的用例来说明如何选择一个阈值，在真阳性率和假阳性率之间提供最佳平衡，因为这是医疗应用中的一个重要考虑因素。医疗保健数据集给AutoML工具带来了一些挑战，包括大样本量、高度不平衡以及可用特征类型的限制。可扩展性的改进、不平衡学习响应和集成方法的组合以及策划的特征选择是实现更好性能的可能的下一步。在这三种工具中，没有一种AutoML工具在预测性能方面始终优于其他工具。在这项研究中的模型的性能表明，在处理医疗索赔数据可能有改进的空间。最后，最佳预测阈值的选择应根据具体的实际应用情况而定。

2021-07-22cs.LG

使用纵向处方和医疗索赔的机器学习检测非酒精性脂肪性肝炎（NASH）

Machine learning using longitudinal prescription and medical claims for the detection of nonalcoholic steatohepatitis (NASH)

IQVIA（艾昆纬）

目的开发和评估机器学习模型，以检测疑似未确诊的非酒精性脂肪性肝炎（NASH）患者，用于诊断筛查和临床管理。方法在这项回顾性观察性非干预性研究中，使用来自1，463，089例患者的行政医疗索赔数据，训练梯度提升决策树，以从具有肥胖、2型糖尿病（T2 DM）、代谢紊乱或非酒精性脂肪肝（NAFL）病史的高危患者人群中检测可能的NASH患者。对模型进行训练，以检测所有风险患者或既往无NAFL诊断的亚组（非NAFL风险患者）中可能的NASH。使用回顾性医疗索赔数据对模型进行训练和验证，并使用精确召回面积和受试者工作特征曲线（AUPRC，AUROC）进行评估。在索赔数据中，NASH的6个月发病率为1/1，437例高危患者和1/2，127例非NAFL高危患者。训练用于检测所有风险患者中NASH的模型的AUPRC为0.0107（95% CI 0.0104 - 0.011），AUROC为0.84。在10%的召回率下，模型精度为4.3%，是NASH发病率的60倍。训练用于检测非NAFL患者中NASH的模型的AUPRC为0.003（95% CI 0.0029 - 0.0031），AUROC为0.78。在10%的召回率下，模型精度为1%，是NASH发病率的20倍。结论NASH在医疗索赔数据中的低发生率证实了NASH在临床实践中的漏诊模式。基于索赔的机器学习可以促进检测可能的NASH患者，以进行诊断测试和疾…

2022-03-07cs.CYcs.LGstat.ML

全国日本医疗索赔数据集的医疗基础模型：在模型扩展与任务特定计算效率之间平衡

A Nationwide Japanese Medical Claims Foundation Model: Balancing Model Scaling and Task-Specific Computational Efficiency

Graduate School of Medicine, Kyoto University（京都大学医学研究科）；Medical Data Vision Co., Ltd.（医疗数据视觉株式会社）；IQVIA Solutions Japan G.K.（IQVIA日本解决方案公司）；DeSC Healthcare, Inc.（DeSC医疗公司）

研究通过日本全国519家医院的索赔数据库，评估不同模型规模对结构化医疗数据下游任务性能的影响，发现任务特性决定最优模型规模，从而平衡预测性能与计算成本。

2026-04-24cs.LG

EDEN：一个用于行政索赔数据中乳腺癌复发注释的事件检测网络

EDEN : An Event DEtection Network for the annotation of Breast Cancer recurrences in administrative claims data

虽然大量行政索赔数据的出现为研究提供了机会，但由于缺乏与疾病结局相关的临床注释，例如乳腺癌（BC）复发，这些数据的使用仍然受到限制。在行政索赔中对这些终点的注释带来了一些挑战，包括需要推断复发的发生和日期，数据的正确删失，或医疗访问之间的时间间隔的重要性。深度学习方法已成功用于标记时间医学序列，但目前没有方法能够同时处理右删失和访问时间性以检测医学序列中的生存事件。我们提出了EDEN（事件检测网络），一个时间感知的长短期记忆网络的生存分析，和它的自定义损失函数。我们的方法在现实世界的BC数据集上优于几种最先进的方法。EDEN构成了一个强大的工具，注释疾病复发的行政索赔，从而铺平了道路，大规模使用这些数据在不列颠哥伦比亚省的研究。

2022-11-15cs.LG

情感LIAR：用于虚假索赔分类的扩展语料库和深度学习模型

Sentimental LIAR: Extended Corpus and Deep Learning Models for Fake Claim Classification

University of New Haven（纽黑文大学）

社交媒体在我们日常生活和文化中的广泛融合，使人们比人类历史上任何时候都更容易快速地获得信息流。然而，社交媒体平台固有的不受监督的性质也使虚假信息和假新闻更容易传播。此外，此类平台中信息流的高容量和速度使得人工监督和控制信息传播不可行。本文旨在通过提出一种新的深度学习方法来自动检测社交媒体上的虚假短文本声明来解决这个问题。我们首先介绍Sentimental LIAR，它通过添加基于索赔的情感和情绪分析的特征来扩展空头索赔的LIAR数据集。此外，我们提出了一种基于BERT-Base语言模型的新型深度学习架构，用于将索赔分类为真实或虚假。我们的研究结果表明，在情感LIAR上训练的建议架构可以达到70%的准确率，这比之前报道的LIAR基准测试结果提高了约30%。

2020-10-22cs.CLcs.LGcs.SI

在模型优越性的统计声明中考虑欠规范问题

Accounting for Underspecification in Statistical Claims of Model Superiority

CIBM Center for Biomedical Imaging（生物医学成像中心）；Department of Radiology, Lausanne University Hospital and University of Lausanne（放射科，洛桑大学医院和洛桑大学）

本文提出一种统计框架，将训练随机性引入的欠规范作为额外方差分量，用于建模模型优越性声明中的假阳性，并证明微小种子变异性即可显著增加支持优越性所需的证据，强调医学成像验证需显式建模训练方差。

2025-11-04cs.LGeess.IV

ZiMM：一种用于非临床索赔数据的长期和模糊复发的深度学习模型

ZiMM: a deep learning model for long term and blurry relapses with non-clinical claims data

CMAP, École polytechnique（巴黎综合理工学院应用数学中心）；LPSM, Université de Paris（巴黎大学概率统计与建模实验室）；Service d’Urologie - Hopital Tenon - APHP（巴黎公立医院集团特农医院泌尿外科）；CEREMADE, Université Paris Dauphine, PSL（巴黎第九大学决策数学研究中心）；DMA, Ecole normale supérieure（巴黎高等师范学院数学系）

本文考虑的问题建模和预测的长期和“模糊”复发后发生的医疗行为，如手术。复发只能通过在医疗行为后很长一段时间内纵向开药来间接观察，以“模糊”的方式观察。我们引入了一个新的模型，称为ZiMM（零膨胀混合多项分布），以捕捉长期和模糊的复发。在此基础上，我们构建了一个名为ZiMM编码器-解码器（ZiMM ED）的端到端深度学习架构，该架构可以从通过索赔数据库观察到的复杂，不规则，高度异构和稀疏的健康事件模式中学习。ZiMM ED适用于"非临床“索赔数据库，其中仅包含药品购买、医疗程序和医院诊断的时间戳报销代码，唯一可用的临床特征是患者的年龄。该设置比床旁临床信号可用的设置更具挑战性。我们使用这样一个非临床索赔数据库的动机是其详尽的人口明智的，相比之下，临床电子健康记录来自一个单一的或一小群医院。事实上，我们考虑的数据集包含几乎\emph{all French citizens}的前列腺问题手术的索赔，有1.5至5年的历史。我们考虑长期（18个月）复发（尽管手术，排尿问题仍然发生），这是模糊的，因为它只能通过一组特定的药物治疗排尿问题的报销来观察。我们的实验表明，ZiMM ED改进了几个基线，包括非深度学习和深度学习方法，并且它允许以最少的预处理工作处理这样的数据集。

2020-07-25cs.LGstat.ML

RadFlag：一种针对医学视觉语言模型的黑盒幻觉检测方法

RadFlag: A Black-Box Hallucination Detection Method for Medical Vision Language Models

Stanford University（斯坦福大学）；Harvard Medical School（哈佛医学院）；Midwest Radiology（中西部放射学机构）

针对医学视觉语言模型生成放射学报告时的幻觉问题，提出黑盒检测方法 RadFlag，通过多温度采样和 LLM 识别不一致声明并标记潜在幻觉，实现高精确率且广泛兼容，提升自动化报告质量。

2024-11-16cs.CVcs.LG