CUNI-a at ArchEHR-QA 2025: Do we need Giant LLMs for Clinical QA?

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F25%3A10511614" target="_blank" >RIV/00216208:11320/25:10511614 - isvavai.cz</a>

Výsledek na webu

<a href="https://aclanthology.org/2025.bionlp-share.4/" target="_blank" >https://aclanthology.org/2025.bionlp-share.4/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.18653/v1/2025.bionlp-share.4" target="_blank" >10.18653/v1/2025.bionlp-share.4</a>

Jazyk výsledku

angličtina

Název v původním jazyce

CUNI-a at ArchEHR-QA 2025: Do we need Giant LLMs for Clinical QA?

Popis výsledku v původním jazyce

In this paper, we present our submission to the ArchEHR-QA 2025 shared task, which focuses on answering patient questions based on excerpts from electronic health record (EHR) discharge summaries. Our approach identifies essential sentences relevant to a patient&apos;s question using a combination of few-shot inference with the Med42-8B model, cosine similarity over clinical term embeddings, and the MedCPT cross-encoder relevance model. Then, concise answers are generated on the basis of these selected sentences. Despite not relying on large language models (LLMs) with tens of billions of parameters, our method achieves competitive results, demonstrating the potential of resource-efficient solutions for clinical NLP applications.

Název v anglickém jazyce

CUNI-a at ArchEHR-QA 2025: Do we need Giant LLMs for Clinical QA?

Popis výsledku anglicky

In this paper, we present our submission to the ArchEHR-QA 2025 shared task, which focuses on answering patient questions based on excerpts from electronic health record (EHR) discharge summaries. Our approach identifies essential sentences relevant to a patient&apos;s question using a combination of few-shot inference with the Med42-8B model, cosine similarity over clinical term embeddings, and the MedCPT cross-encoder relevance model. Then, concise answers are generated on the basis of these selected sentences. Despite not relying on large language models (LLMs) with tens of billions of parameters, our method achieves competitive results, demonstrating the potential of resource-efficient solutions for clinical NLP applications.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 24th Workshop on Biomedical Language Processing (Shared Tasks)

ISBN

979-8-89176-276-3

ISSN

—

e-ISSN

—

Počet stran výsledku

14

Strana od-do

27-40

Název nakladatele

Association for Computational Linguistics

Místo vydání

Kerrville, TX, USA

Místo konání akce

Wien, Austria

Datum konání akce

1. 8. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—