sebis 在 CRF Filling 2026 中的突破：一种用于医疗 CRF 填写的双阶段本地 LLM 流水线

背景

在医疗信息学中，从非结构化的电子健康记录（EHR）笔记中提取结构化临床信息一直是一个长期存在的瓶颈。尽管大型语言模型（LLMs）在性能上表现出色，但其在临床环境中的部署面临着三大严峻挑战：

1. 隐私风险：将患者数据发送至外部 API 可能违反数据主权和隐私法规。
2. 推理成本：运行前沿的大模型需要高昂的计算资源。
3. 幻觉问题：模型倾向于生成超出文本证据范围的推断，这在严谨的医疗场景中是不可接受的。

针对上述问题，sebis 团队在 CL4Health 2026 Case Report Form (CRF) 填写任务中，提出了一种完全本地化、经过领域适配的流水线方案。该方案旨在解决隐私保护、成本控制以及输出确定性之间的矛盾，为临床自然语言处理（NLP）提供了一个数据主权框架。

核心内容

本研究的核心在于构建一个基于 MedGemma-27B 模型的双阶段本地 LLM 流水线，专门用于处理医疗 CRF 填写任务。该方案不依赖外部 API 调用，也不进行微调（Fine-tuning），而是通过架构设计和提示工程来实现高性能与高可靠性的平衡。

1. 双阶段架构设计

为了克服单一模型难以同时兼顾“存在性判断”和“数值提取”的难题，该流水线将任务分解为两个明确的阶段：

• 第一阶段：二元存在性分类（Binary Presence Classification） 模型首先判断某个临床实体或状态是否存在于文本中。这一阶段的关键在于严格遵循文本证据，确保对于“否定（negated）”、“不确定（uncertain）”或“未知（unknown）”的状态能够做出确定性输出，从而抑制幻觉。

• 第二阶段：值提取（Value Extraction） 在确认实体存在后，模型从文本中提取具体的临床数值或描述性信息。

这种分离策略强制模型在提取具体值之前先确立事实基础，显著提高了输出的严谨性。

2. 技术实现细节

• 模型选择：使用 MedGemma-27B，这是一个经过医疗领域适配的开源模型。选择本地部署的开源模型而非闭源前沿模型，旨在解决数据隐私和成本问题。
• 少样本上下文学习（Few-shot In-context Learning）：流水线利用针对特定项目（item-specific）的少样本提示。这意味着对于 CRF 中的不同字段，提供不同的示例来引导模型，而无需对模型权重进行更新。
• 完全本地化：整个流程在本地服务器运行，无需连接外部 API，确保了患者数据的完全主权和隐私安全。

3. 性能表现

在 CL4Health 2026 的官方英语测试轨道中，该方案取得了 0.55 的 Macro-F1 分数。

这一成绩在“所有本地托管、开源提交”中排名第二。更重要的是，它证明了隐私保护型的本地 LLM 流水线可以达到接近专有前沿模型（proprietary frontier models）的竞争水平。

关键要点

• 解决临床部署痛点：通过本地化部署，直接回应了医疗行业对数据隐私、推理成本和模型幻觉的担忧。
• 双阶段解耦策略：将“是否存在”与“是什么”分开处理，通过强制遵循文本证据，有效减少了模型在否定或不确定语境下的错误推断。
• 零微调、零 API 调用：仅依靠 MedGemma-27B 模型和精心设计的少样本提示（Few-shot ICL），无需昂贵的微调过程或外部服务依赖，降低了部署门槛和维护成本。
• 具有竞争力的性能：Macro-F1 达到 0.55，在本地开源方案中位列第二，证明了开源本地模型在特定垂直领域任务中具备与闭源模型抗衡的潜力。
• 数据主权框架：为临床 NLP 提供了一个可复制的、数据主权（data-sovereign）的实践框架，特别适合对数据合规性要求极高的医疗机构。

意义与影响

sebis 的这项工作具有重要的行业示范意义。它打破了“高性能必须依赖闭源大模型”的迷思，证明了通过合理的架构设计（如双阶段流水线）和领域适配模型（如 MedGemma），开源本地模型同样能在复杂的临床信息提取任务中表现出色。

对于医疗机构而言，这意味着可以在不牺牲数据隐私的前提下，利用本地算力部署高效的 AI 辅助工具，用于自动化病历结构化、临床研究数据提取等场景。这不仅降低了技术门槛，也为医疗 AI 的合规化、规模化落地提供了一条切实可行的技术路径。