LLM，报告到！基于提示、微调和后校正的医疗信息提取
计算与语言
2025-10-07 v1 信息检索
摘要
本工作呈现我们在EvalLLM 2025挑战中参赛情况，该挑战聚焦于法语医疗信息提取中的命名实体识别（NER）和健康事件抽取（few-shot setting）。对于NER，我们提出了三种结合大语言模型（LLM）、注释指南、合成数据和后处理的策略：（1）基于GPT-4.1的原地学习（in-context learning, ICL），将自动选择10个示例及注释指南摘要纳入提示；（2）通用NER系统GLiNER在合成语料库上进行微调后，通过LLM进行后处理验证；（3）开源LLM LLaMA-3.1-8B-Instruct在相同的合成语料库上进行微调。事件抽取采用相同的ICL策略，复用指南摘要于提示中。结果显示，GPT-4.1在NER上取得61.53%的宏平均F1分，事件抽取为15.02%，凸显在极低资源场景中精心设计的提示对最大化性能的重要性。
引用
@article{arxiv.2510.03577,
title = {LLM, Reporting In! Medical Information Extraction Across Prompting, Fine-tuning and Post-correction},
author = {Ikram Belmadani and Parisa Nazari Hashemi and Thomas Sebbag and Benoit Favre and Guillaume Fortier and Solen Quiniou and Emmanuel Morin and Richard Dufour},
journal= {arXiv preprint arXiv:2510.03577},
year = {2025}
}
备注
in French language