FedPref：联邦偏好学习助力结构化放射学报告提取
放射学报告是医生用自由文本记录影像所见与病灶位置的关键文档，但下游的检索与分析却需要将这些信息转化为固定结构。由于不同医院的标注资源分布不均——小医院本地证据少，数据集中又可能涉及隐私与合规问题——这一任务面临独特挑战。
来自新加坡科技设计大学、ETH Zürich等机构的研究者提出了 FedPref，一种基于联邦学习的偏好学习方法，让数据不足的机构也能从协作中获益，且无需共享原始报告或标注。相关论文已被 ELAMI 2026（与 MICCAI 2026 联合举办）接收，并将发表于 Springer 论文集。
核心思路：让模型"挑"出最佳提取结果
FedPref 的设计巧妙：它利用冻结的公开语言模型（如 Qwen）生成多个候选的 JSON 提取结果，本地标注员对这些结果进行排序，形成"偏好对"。随后，各站点仅共享模型更新（而非数据），协同训练轻量级的 Qwen3-8B 适配器。
为增强模型的鲁棒性，研究团队还引入了异构教师池——当单一模型的重复采样出现坍缩时，多个不同模型的输出能提供跨模型对比，避免偏好信号单一化。
实验结果：小医院获益最明显
在模拟的六家医院数据上（数据量和疾病流行率不均），FedPref 相比各站点独立训练，将客户端平均 F1 提升 2.49 个点，最差站点 F1 提升 9.10 个点，且数据最少的站点提升幅度最大。相比之下，若将偏好数据集中训练，客户端平均 F1 仅比 FedPref 高 2.66 个点。
在锁定的 400 份人工验证黄金测试集上，FedPref 达到 68.68 F1，集中训练为 71.67，两者性能排序一致。这表明 FedPref 在不共享数据的前提下，几乎达到了集中训练的效果，尤其对资源匮乏的机构意义重大。
意义与展望
FedPref 提供了一种隐私保护下的协作范式，尤其适用于医疗等敏感领域。它表明，即使数据分布极不均衡，通过偏好学习和联邦机制，也能有效提升结构化信息提取的准确性。未来，该方法或可扩展至其他类型的临床文本，甚至非医疗领域，为跨机构协作开辟新路径。
