面向领域适配的Small Language Models：实现可靠的临床分诊

arXiv:2604.26766v2 公告类型：replace-cross 摘要：在急诊科，准确且一致地分配急诊严重程度指数（ESI）仍是一项长期挑战，因为高度多样化的自由文本分诊记录会导致分诊错误和工作流程低效。本研究评估了开源小型语言模型（SLM）能否作为可靠且保护隐私的临床分诊决策支持工具。我们在多种提示词处理流程中系统比较了多个SLM，发现临床病例摘要（即对分诊叙述的简明概括）能够实现最准确的预测。SLM Qwen2.5-7B在准确性、稳定性和计算效率之间展现出最佳平衡。通过利用专家整理的儿科分诊数据和银标准儿科分诊数据进行大规模领域适配，微调后的Qwen2.5-7B模型显著减少了不一致情况和具有临床意义的错误，其表现优于所有基线SLM以及先进的专有大型语言模型（LLM，例如GPT-4o）。这些发现凸显了机构专用SLM用于可靠、保护隐私的ESI决策支持的可行性，并强调了有针对性的微调相比更复杂推理策略的重要性。