歯科経過記録からの臨床固有表現認識（NER）は、文書が非構造的で専門性が高く、プライバシーに関わる情報が多いため、非常に困難な課題です。従来の汎用モデルでは対応が難しく、また大規模モデルをクラウドで利用するとデータ漏洩のリスクが伴います。そこで本研究では、ローカル環境で完全に動作するフレームワークを開発し、小型言語モデル（SLM）がエンティティ固有のプロンプトを自己生成、検証、最適化、評価できるようにしました。
このフレームワークの中心となるのは自己プロンプティング（self-prompting）機構です。モデルはまずタスク記述から複数の候補プロンプトを自動生成し、マルチプロンプトアンサンブル推論を用いて各プロンプトの有効性を評価し、最適なものを選択します。その後、選択されたプロンプトを使ってエンティティ抽出を行います。さらに、QLoRAに基づく教師ありファインチューニング（SFT）と直接選好最適化（DPO）を適用することで、モデルの性能をさらに向上させています。このプロセス全体は自動化されており、人間の介入を必要としません。
実験では、1,200件の注釈付き歯科経過記録を用いて、複数のオープンウェイトモデルを評価しました。ベースラインの結果、モデル間で性能に大きなばらつきが見られ、タスク固有の評価が重要であることが明らかになりました。特にQwen2.5-14B-Instructはベースラインで最も優れた性能を示しました。DPO適用後、Qwen2.5-14B-InstructとLlama-3.1-8B-Instructはそれぞれmicro/macro F1スコア0.864/0.837、0.806/0.797を達成しました。これらの結果は、自動プロンプト最適化と軽量な選好ベースの後訓練を組み合わせることで、ローカル展開された小型言語モデルを用いたスケーラブルな臨床情報抽出が可能であることを示しています。
また、このフレームワークは完全にローカルで動作するため、患者の機密データをクラウドに送信する必要がなく、医療データのプライバシーが厳格に求められる環境に適しています。研究チームは今後、この手法を他の臨床領域へ拡張し、プロンプト生成プロセスをさらに最適化する予定です。この研究は、プライバシーに敏感な環境におけるAI支援臨床意思決定の実現可能性を示す重要な一歩です。