Self-Prompting Small Language Models for Privacy-Sensitive Clinical Information Extraction

Esta investigación presenta un marco implementable localmente que permite a modelos de lenguaje pequeños extraer entidades clínicas sensibles a la privacidad de notas dentales no estructuradas mediante indicaciones auto-generadas y refinadas. El estudio evaluó modelos de código abierto, logrando altas puntuaciones F1 con Qwen2.5-14B-Instruct y Llama-3.1-8B-Instruct después de un ajuste fino supervisado y optimización directa de preferencias.