ArchEHR-QA 2026 上的 Neural：一种适合所有人的方法：EHR 上临床 QA 的统一提示优化

电子健康记录 (EHR) 上的自动问答 (QA) 需要精确的证据检索、忠实的答案生成以及临床记录中答案的明确依据。在这项工作中，我们提出了 Neural1.5，这是我们在 CL4Health@LREC 2026 上执行 ArchEHR-QA 2026 共享任务的方法，其中包括四个子任务：问题解释、证据识别、答案生成和证据对齐。我们的方法将任务分解为独立的模块化阶段，并采用 DSPy 的 MIPROv2 优化器自动发现高性能提示、联合调整指令和每个阶段的几次演示。在每个阶段中，对多个随机推理运行的自一致性投票可以抑制虚假错误并提高可靠性，而阶段特定的验证机制（例如，自我反思和对齐验证链）进一步提高输出质量。在参与所有四个阶段的所有团队中在子任务中，我们的方法总体排名第二（平均排名 4.00），在子任务 1-4 上分别排名第四、第一、第四和第七。这些结果表明，系统性的每阶段提示优化与自我一致性机制相结合，是多方面临床 QA 模型 微调 的一种经济高效的替代方案。