PLACID：面向临床缩写推断与消歧的隐私保护大语言模型
计算与语言
2026-03-26 v1 人工智能
摘要
大型语言模型（LLM）在多个领域提供变革性解决方案，但由于严格的数据隐私约束， healthcare 领域的集成仍受阻。临床叙述文本密集包含模糊的缩写，误解这些缩写可能导致严重后果，如致命的药物错误。虽然云端依赖的LLM在缩写消歧方面表现出色，但将受保护健康信息传输到外部服务器违反隐私框架。为填补这一鸿沟，本研究首次评估完全部署在设备端的小参数模型，以确保隐私保护。我们引入一种隐私保护的级联管道，利用通用本地模型检测临床缩写，将其路由到特定的生物医学模型以获得上下文相关的扩展。结果表明，虽然通用指令遵循模型实现高检测准确率（~0.988），但其扩展能力显著下降（~0.655）。我们的级联方法利用特定医学领域的模型将扩展准确率提高到（~0.81）。这一新工作表明，隐私保护的、在设备端（2B-10B）的模型能够为临床缩写消歧提供高保真度支持。
引用
@article{arxiv.2603.23678,
title = {PLACID: Privacy-preserving Large language models for Acronym Clinical Inference and Disambiguation},
author = {Manjushree B. Aithal and Ph. D. and Alexander Kotz and James Mitchell and Ph. D},
journal= {arXiv preprint arXiv:2603.23678},
year = {2026}
}
备注
10 pages, 2 figures, Under review AMIA Symposium