ChestPheNoT：用轻量模型提取可审计的放射报告证据

从放射报告结构化提取表型有助于队列构建、质量审计和临床分析，但实际部署需要本地推理与可审计预测，专家标注又很稀缺。常规标注器能提供结构化发现及断言状态，却没有支撑证据；临床文本不能离开机构基础设施时，API托管LLM可能不适用。我们提出CHESTPHENOT，一个0.5至3B的小型语言模型，联合抽取发现标签、三类状态（存在、缺失、不确定）及逐字支撑证据片段。CHESTPHENOT先使用CheXbert与72B模型的混合银标监督，再进行监督微调和轻量GRPO细化。在三个由人类标注的金标集上，覆盖分布内、跨分类体系与跨机构评测，3B模型分布内表现低于CheXbert银标教师，但在分布迁移下具有竞争力，在跨机构检测中显著超过CheXbert，F1提高2.0。任务专用训练也使3B模型在多数检测和状态比较中，达到或超过大得多的提示模型。对于证据支撑提取，超过99%的最终证据片段可在原报告中定位；3B模型达到47.5的可审计F1，比Qwen2.5-7B单次提示高7.6，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，也能提供具有竞争力且可直接审计的放射报告提取。代码及完整提取、评审提示将公开。 https://github.com/yukkai/ChestPheNoT