临床命名实体识别（NER）在牙科病程记录中面临重重挑战。牙科记录往往高度非结构化、包含大量专业术语，并且常常涉及患者隐私信息。传统的通用语言模型很难直接应用于这种特定领域，而专门训练大型模型又需要大量计算资源和敏感数据上云，带来隐私风险。为了解决这一问题，研究团队开发了一种可完全本地部署的框架，使小型语言模型（SLMs）能够自主生成、验证、优化和评估用于提取临床实体的提示。
该框架的核心在于自提示（self-prompting）机制。模型首先根据任务描述自动生成多个候选提示，然后通过多提示集成推理（multi-prompt ensemble inference）评估每个提示的有效性，并从中选出最佳提示。接着，利用选中的提示进行实体提取。此外，研究还引入了基于QLoRA的监督微调（SFT）和直接偏好优化（DPO）来进一步提升模型性能。整个过程无需人工干预，完全自动化。
在实验中，研究团队使用了1,200份已标注的牙科病程记录，评估了多种开源模型。基线测试显示，不同模型之间的性能差异非常大，这凸显了针对具体任务进行评估的重要性，而不能仅仅依赖通用基准。其中，Qwen2.5-14B-Instruct在基线阶段表现最为突出。经过DPO优化后，Qwen2.5-14B-Instruct和Llama-3.1-8B-Instruct分别取得了micro/macro F1分数0.864/0.837和0.806/0.797的成绩。这些结果令人鼓舞，表明自动化的提示优化与轻量级的偏好后训练相结合，能够有效支持使用本地部署的小型语言模型进行可扩展的临床信息提取。
该框架的另一大优势在于隐私保护。由于所有计算都在本地完成，无需将敏感的患者数据上传到云端，因此特别适用于对数据隐私要求严格的医疗场景。研究团队表示，未来计划将该方法推广到更多的临床领域，并进一步优化提示生成流程，以提升模型的泛化能力。这项研究为在隐私敏感环境中利用人工智能辅助临床决策提供了可行的技术路径。