FedPref：面向结构化放射报告抽取的联邦偏好学习

放射报告以自由文本描述发现和位置，但下游搜索和分析需要这些关系以固定模式（schema）呈现。学习这种抽取所需的标注在各机构间分布不均：较小的医院本地证据较少，而汇聚数据可能不可行。我们提出FedPref：由冻结的公共语言模型提出候选JSON抽取，本地标注对其排序，各站点协同训练紧凑的Qwen3-8B适配器，同时只共享模型更新。当重复的单模型样本塌缩时，异构教师池提供跨模型对比。在六个模拟医院、数据量与疾病患病率不均等的开发数据上，与各站点独立训练相比，FedPref将客户端平均F1提升2.49分，最差站点F1提升9.10分，增益在数据最少的站点最大。在汇聚偏好对并集上的集中式训练在客户端平均F1上高2.66分。在一个锁定的、400份报告的人工验证标准测试集上，FedPref达到68.68 F1，集中式训练为71.67，保持了同样的排序。FedPref因此让拥有不均等、不可汇聚数据的机构无需共享报告或标注即可从协作中受益。