Autores: Anderson Morillo, Carlos Agamez, Edwin Puertas, Juan Carlos Martinez-Santos, Jairo Serrano
Venue: 2025 IEEE Colombian Caribbean Conference (C3)
DOI: 10.1109/C366505.2025.11340582
Enlaces: IEEE Xplore
El PDF completo no estuvo disponible para extracción automática (acceso IEEE). El resumen siguiente se basa en el abstract oficial publicado y en los metadatos del artículo.
Resumen
Este artículo de conferencia presenta una arquitectura de respuesta a preguntas biomédicas eficiente en recursos. En lugar de depender solo de stacks densos de alto coste, combina extracción de términos clave con LLM y puntuación estadística de weirdness con recuperación de documentos vía la API de PubMed, y genera respuestas con ingeniería de prompts y RAG usando Qwen3-30B-A3B.
Problema
Los sistemas de QA biomédico suelen intercambiar precisión por grandes presupuestos de cómputo en recuperación y generación. Los autores buscan un pipeline más ligero que siga usando acceso estructurado a literatura (PubMed) y LLMs modernos, orientado a despliegues donde el coste computacional importa.
Método
Según el abstract oficial, el sistema:
- Extrae términos clave con modelos de lenguaje grandes
- Puntúa términos con weirdness estadística respecto a un corpus general
- Recupera literatura mediante la API de PubMed
- Genera respuestas con prompting few-shot e instruccional más Retrieval-Augmented Generation (RAG) con el modelo Qwen3-30B-A3B
La evaluación se reporta sobre el benchmark BioASQ.
Resultados
El abstract indica desempeño competitivo en tipos Factoid y Summary en BioASQ. Aquí no se reiteran cifras exactas porque el PDF completo no pudo verificarse; consulta el registro IEEE para tablas y detalle experimental.
Por qué importa
- Conecta la línea de trabajo previa en weirdness del laboratorio con recuperación biomédica
- Enfatiza un diseño híbrido ligero (API + RAG con LLM) frente a solo búsqueda densa de alto cómputo
- Sitúa el stack en QA biomédico práctico donde PubMed sigue siendo la fuente de literatura de referencia