EdgeDeID：不用真实病历训练的本地去标识模型

Sina Daneshgar 等作者发布论文，提出 EdgeDeID：一个 0.6B 参数、完全本地运行的临床文本去标识化模型，训练全程不使用真实患者文本，由三个 LLM 教师生成合成病历并统一标注。作者称，在 100 条人工核验的合成域内基准上，该模型达到 0.994 micro-F1，99% 的病历无遗漏标识符；量化后可在 CPU 上以 615 MB 运行。 但跨域表现明显下降：在 MIMIC ICU 护理记录上，F1 降至 0.48。作者称，在不使用标注目标数据的情况下，加入三个手写上下文示例可挽回 0.08 F1。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。