📖 AI 总结

本文提出 ChestPheNoT，一种可在本地部署的紧凑型语言模型（0.5–3B 参数），用于从放射学报告中联合抽取发现标签、三分类状态（存在/不存在/不确定）以及逐字支持证据片段。研究针对临床文本难以离开机构基础设施、专家标注稀缺、传统标注器缺乏证据支持等实际部署难题，采用 CheXbert 与 72B 模型混合生成的银监督数据，结合监督微调与轻量级 GRPO 优化进行训练。在三个涵盖同分布、跨分类体系和跨机构场景的人工标注金标准集上，3B 模型在同分布下略逊于其银监督教师模型，但在分布偏移下表现相当，跨机构检测 F1 较 CheXbert 提升 2.0，并在多数检测与状态比较中达到或超过更大规模的提示模型。证据抽取方面，超过 99% 的最终证据片段可在源报告中定位，3B 模型取得 47.5 的可审计 F1，优于 Qwen2.5-7B 单样本提示 7.6 分，接近 Qwen2.5-72B。结果表明，本地可部署模型无需依赖外部推理 API，即可提供具竞争力且可直接审计的放射报告抽取能力。

🔑 关键词速览