La extracción de información médica utilizando modelos de lenguaje de gran tamaño (LLMs) enfrenta importantes retos debido a alucinaciones generadas durante su proceso operativo. Esto se debe en buena medida a errores en la identificación y clasificación de entidades médicas, lo que puede derivar en la creación de entidades inexistentes o en errores de razonamiento que distorsionan los datos extraídos.

Para abordar estas deficiencias, el método de Decodificación Contraste Alterna (ALCD) se ha propuesto como una solución efectiva. Dicho método, se centra en redefinir las tareas de extracción de información médica como un proceso de identificar y clasificar, decantando la optimización de estos modelos para promover una mejora en sus capacidades específicas de identificación y clasificación.

La técnica ALCD se basa en la separación de funciones, optimizando tokens de identificación y clasificación de forma individual durante el ajuste fino del modelo. Al generar inferencias, el método emplea una decodificación de contraste alterado que evalúa la salida de estos modelos de subtarea para aumentar sus capacidades mientras minimiza las alucinaciones que comúnmente ocurren con otros métodos.

Experimentos exhaustivos han demostrado que ALCD supera significativamente a los métodos tradicionales en la resolución de problemas de alucinación. Las pruebas realizadas sobre diversas tareas médicos usando diferentes “backbones” de modelos de lenguaje grande han revelado una mejora sustancial en la precisión y la consistencia de los datos extraídos, validando la efectividad de este enfoque innovador al mitigar errores de razonamiento e identificaciones erróneas.

En conclusión, ALCD representa un avance significativo para la aplicación de LLMs en el ámbito de la extracción de información médica, ofreciendo un camino prometedor hacia la adopción más amplia y confiable de estas tecnologías en el cuidado de la salud.