论文
从长时医患对话直接生成SOAP临床记录的端到端研究
Bridging the Modality Gap in Long-Form Clinical Audio: A Comparative Study of Lightweight and Heavyweight End-to-End SOAP Generation
摘要
对于现代音频语言模型来说，从长篇医患对话中自动化临床记录仍然是一个挑战。虽然级联 ASR 系统表现良好，但端到端 (E2E) 模型经常面临信息丢失和扩展音频幻觉的问题。对于 BeTraC 2026 挑战，ASLP 团队提出了一个完整的 E2E 多模式系统，该系统直接从音频生成结构化 SOAP 注释，绕过中间记录。我们构建了 141 万样本的多任务语料库，并应用了多阶段流程：领域预训练、监督微调和奖励优化。在轻量级 (3B) 和重量级 (30B) 约束下评估架构表明，每个训练阶段都会逐步提高性能。此外，扩展到 30B 参数可显着提高概念提取和摘要质量。最终，我们的 E2E 系统始终优于代表性级联 ASR+LLM 基线，证明了直接多模式优化临床记录的有效性。