利用开源大型语言模型进行资源受限环境下的临床信息抽取
计算与语言
2026-03-12 v1
摘要
医学报告包含丰富的临床信息，但往往结构化程度低，语言具有特定领域特性，导致信息抽取面临挑战。虽然专有大型语言模型（LLM）在临床自然语言处理方面显示出前景，但其缺乏透明度和数据隐私顾虑限制了在医疗保健领域的实际应用。本研究因此评估了九个开源生成式 LLM 在包括 28 项荷兰语临床信息抽取任务的 DRAGON 基准上的表现。我们开发了 \texttt{llm\_extractinator}，一个面向开源生成式 LLM 的公开信息抽取框架，并用于零样本 setting 中的模型性能评估。多个 14 亿参数模型，包括 Phi-4-14B、Qwen-2.5-14B 和 DeepSeek-R1-14B，取得了具竞争力的结果，而规模更大的 Llama-3.3-70B 模型虽在性能上略胜一筹，但计算成本更高。我们发现，翻译至英文后推理性能始终受损，凸显本土语言处理的必要性。这一发现表明，借助我们的框架，开源 LLM 在低资源环境下为临床信息抽取提供了有效、可扩展且具隐私保护性的解决方案。
引用
@article{arxiv.2507.20859,
title = {Leveraging Open-Source Large Language Models for Clinical Information Extraction in Resource-Constrained Settings},
author = {Luc Builtjes and Joeran Bosma and Mathias Prokop and Bram van Ginneken and Alessa Hering},
journal= {arXiv preprint arXiv:2507.20859},
year = {2026}
}
备注
34 pages, 5 figures