[论文解读] Prompt Engineering for Healthcare: Methodologies and Applications

Jiaqi Wang, Enze Shi+22 more|arXiv (Cornell University)|Apr 28, 2023

Topic Modeling被引用 116

一句话总结

对医疗自然语言处理中的提示工程进行综合性综述，涵盖提示类型、设计方法（人工与自动化）、大模型及医疗应用，为研究人员提供指南与未来方向。

ABSTRACT

Prompt engineering is a critical technique in the field of natural language processing that involves designing and optimizing the prompts used to input information into models, aiming to enhance their performance on specific tasks. With the recent advancements in large language models, prompt engineering has shown significant superiority across various domains and has become increasingly important in the healthcare domain. However, there is a lack of comprehensive reviews specifically focusing on prompt engineering in the medical field. This review will introduce the latest advances in prompt engineering in the field of natural language processing for the medical field. First, we will provide the development of prompt engineering and emphasize its significant contributions to healthcare natural language processing applications such as question-answering systems, text summarization, and machine translation. With the continuous improvement of general large language models, the importance of prompt engineering in the healthcare domain is becoming increasingly prominent. The aim of this article is to provide useful resources and bridges for healthcare natural language processing researchers to better explore the application of prompt engineering in this field. We hope that this review can provide new ideas and inspire for research and application in medical natural language processing.

研究动机与目标

• 概述提示工程在医疗NLP中的发展及作用。
• 调研提示类型（手动与自动化）及其设计方法。
• 分析提示在分类、生成、检测、增强、问答与推理等医疗应用中的作用。
• 突出医疗提示工程的挑战、未来方向及资源缺口。

提出的方法

• 确定范围并对2019年至2023年的医疗NLP提示工程文献进行综述。
• 描述大语言模型及其与医疗提示的相关性（如BERT、T5、GPT变体）。
• 编目提示格式（填空式与前缀式；手动与自动化；离散与连续）及其构建方法。
• 比较手动与自动化提示方法，包括零-shot与少量-shot策略。
• 总结提示在医疗任务中的应用，如分类、生成、检测、增强、问答与推理。

实验结果

研究问题

• RQ1 当前在医疗NLP中使用的主要提示工程技术有哪些？
• RQ2 在有效性和实用性方面，手动和自动化提示在医疗任务中如何比较？
• RQ3 哪些医疗NLP任务最受益于基于提示的方法，有哪些代表性应用？
• RQ4 医学领域提示的关键挑战与未来方向是什么？

主要发现

• 提示工程利用大语言模型在医疗NLP任务中实现少样本或零样本学习。
• 手动提示（零-shot与少-shot）表现出较强的性能，且领域特定的提示在临床文本任务中带来改进。
• 自动化提示（离散与连续）提供可扩展的设计与任务适配，诸如提示挖掘、改写、生成与评分等方法提升效率。
• 连续提示在嵌入空间实现特定任务优化，并支持多模态与低资源场景。
• 应用范围涵盖临床与生物医学背景下的分类、生成、检测、增强、问答与推理。
• 综述指出当前挑战并提出未来研究方向，以推动医疗提示工程的发展。