Assessing Large Language Models for Structured Medical Order Extraction

该文章围绕MEDIQA-OE 2025共享任务，探究了通用大语言模型在结构化医疗订单提取中的应用，提出了基于提示工程的少样本学习方法，为临床NLP任务提供了可扩展的基准方案。一、文章主要内容研究背景与任务医疗订单提取对临床信息结构化、决策支持及下游自动化应用至关重要，但现有系统存在误差，且从多轮医患对话中提取结构化订单面临挑战。MEDIQA-OE 2025共享任务要求从医患对话转录文本中提取结构化医疗订单，需识别订单类型（药物、实验室检查、影像检查、随访）、描述、原因及来源依据。研究方法模型选择：采用通用的指令微调模型LLaMA-4 17B，未进行领域特定微调。提示策略：设计少样本提示，仅使用1个上下文示例，明确模型角色为临床助手，规定输出格式（包含订单四要素）。数据处理：将JSON格式的对话数据转换为含轮次ID、说话人及 utterance 的纯文本格式，后续对模型输出进行标准化、格式修复等后处理。实验设置：在配备NVIDIA A100 80GB GPU的HPC环境中运行，采用混合精度推理，固定解码参数（温度0.2，top_p 0.9）以保证可重复性。实验结果