Automatisierte Metadaten-Standardisierung in der Biomedizin: LLM-Agent liefert präzise Ergebnisse

Ein neues System nutzt große Sprachmodelle, um veraltete biomedizinische Metadaten automatisch zu standardisieren. Durch die Kombination von KI und Echtzeit-Zugriff auf Fachterminologie wird die Qualität von Forschungsdaten nachhaltig verbessert.

Viele wissenschaftliche Metadaten sind unvollständig oder entsprechen nicht den aktuellen Community-Standards. Das erschwert die Auffindbarkeit, Interoperabilität und Wiederverwendbarkeit von Datensätzen erheblich.

Reporting‑Guidelines existieren zwar, aber sie bieten meist keine maschinenlesbaren Darstellungen. Für die Erreichung von FAIR‑Zielen müssen Metadatenstandards als maschinenhandhabbare Templates mit detaillierten Feldspezifikationen und genauen Wertbeschränkungen codiert werden.

Frühere Ansätze haben gezeigt, dass LLMs, die von Feldnamen und Ontologie‑Beschränkungen geleitet werden, die Standardisierung von Metadaten verbessern können. Diese Methoden nutzen jedoch statische Text‑Prompts und verlassen sich ausschließlich auf das Trainingswissen des Modells.

Der vorgestellte LLM‑basierte Standardisierungssystem greift in Echtzeit auf autoritative biomedizinische Terminologie‑Services zu, um kanonisch korrekte Vokabelbegriffe bei Bedarf abzurufen. Dadurch werden die Einschränkungen statischer Prompts überwunden.

Die Wirksamkeit wurde an 839 Legacy‑Metadaten‑Einträgen des Human BioMolecular Atlas Program (HuBMAP) getestet. Ein von Experten kuratiertes Gold‑Standard‑Set diente zur genauen Übereinstimmungsbewertung.

Die Ergebnisse zeigen, dass die Ergänzung des LLMs mit Echtzeit‑Tool‑Zugriff die Vorhersagegenauigkeit im Vergleich zum reinen LLM über alle Felder hinweg – sowohl ontologie‑gebunden als auch nicht – konsistent erhöht.

Diese Arbeit demonstriert einen praktischen, skalierbaren Ansatz zur automatisierten Standardisierung biomedizinischer Metadaten. Durch die Verbesserung der Datenqualität wird die Auffindbarkeit, Interoperabilität und Wiederverwendbarkeit von Forschungsdaten nachhaltig gesteigert.