面向数字健康的临床笔记结构化数据抽取中相互依赖约束下的深度反思推理

从临床笔记中抽取结构化信息需要驾驭一张稠密的相互依赖变量网络，其中一个属性的取值会在逻辑上约束其他属性。现有基于大语言模型（LLM）的抽取流水线往往难以捕捉这些依赖关系，导致临床不一致的输出。我们提出深度反思推理，这是一个大语言模型智能体框架，通过检查变量之间、变量与输入文本之间以及与检索到的领域知识之间的一致性，对结构化输出进行迭代式自我批评与修订，并在输出收敛时停止。我们在三个不同的肿瘤学应用中对该方法进行了广泛评估：(1) 在基于大体描述的结直肠癌简明报告任务（n=217）上，反思推理将八个分类简明变量的平均F1从0.828提升至0.911，并将四个数值变量的平均正确率从0.806提升至0.895；(2) 在尤因肉瘤CD99免疫组化模式识别任务（n=200）上，准确率从0.870提升至0.927；(3) 在肺癌肿瘤分期任务（n=100）上，肿瘤分期准确率从0.680提升至0.833（pT：0.842→0.884；pN：0.885→0.948）。结果表明，深度反思推理能够系统性地提升相互依赖约束下基于LLM的结构化数据抽取的可靠性，从而支持构建更一致的机器可操作临床数据集，并以机器学习和数据科学促进面向数字健康的知识发现。