sebis 参加 CRF 填充 2026：用于医疗 CRF 填充的两阶段本地 LLM 管道

从非结构化 EHR 记录中提取结构化临床信息是医疗保健信息学中持续存在的瓶颈。虽然 大语言模型 (LLM) 提供高性能，但它们在临床环境中的部署受到隐私风险、推理成本以及超越文本证据的幻觉倾向的阻碍。我们通过使用 MedGemma-27B 模型提出完全本地化、适应领域的管道来解决 CL4Health 2026 病例报告表 (CRF) 填写任务的这些挑战。我们的两阶段架构将二进制存在分类与值提取分开，强制严格遵守文本证据，并确保否定、不确定或未知状态的确定性输出。通过利用特定于项目的、少样本的上下文学习，无需外部 API 调用或 微调，我们的方法在官方英语测试赛道上实现了 0.55 的宏观 F1 分数。这一结果在所有本地托管的开源提交中排名第二。我们的工作表明，保护隐私的本地 LLM 管道可以通过专有的前沿模型实现接近竞争的性能，为临床 NLP 提供实用的数据主权框架。