Neural at ArchEHR-QA 2025：面向证据支撑临床问答的智能体提示优化
机器学习
2025-11-10 v2 计算与语言
摘要
电子健康记录(EHR)上的自动问答(QA)可以弥合临床医生和患者之间的关键信息缺口，但它要求在有限监督下同时实现精确的证据检索和忠实的答案生成。在本工作中，我们提出了Neural，它是BioNLP 2025 ArchEHR-QA共享任务中证据支撑临床问答的亚军。我们的方法将任务解耦为(1) 句子级证据识别和(2) 显式引用的答案综合。对于每个阶段，我们使用DSPy的MIPROv2优化器自动探索提示空间，联合调整指令和少样本演示。我们采用自一致性投票方案进一步提高证据召回率而不牺牲精确度。在隐藏测试集上，我们的方法获得了51.5的总分，位列第二，同时比标准零样本和少样本提示分别高出20分以上和10分以上。这些结果表明，数据驱动的提示优化是模型微调的高成本替代方案，可用于高风险临床问答，推动AI助手在医疗领域的可靠性。
引用
@article{arxiv.2506.10751,
title = {Neural at ArchEHR-QA 2025: Agentic Prompt Optimization for Evidence-Grounded Clinical Question Answering},
author = {Sai Prasanna Teja Reddy Bogireddy and Abrar Majeedi and Viswanatha Reddy Gajjala and Zhuoyan Xu and Siddhant Rai and Vaishnav Potlapalli},
journal= {arXiv preprint arXiv:2506.10751},
year = {2025}
}
备注
Accepted to Proceedings of the 24th Workshop on Biomedical Language Processing (https://aclanthology.org/2025.bionlp-share.13/)