从分析到肿瘤多学科会诊：关联证据的肿瘤特征提取多智能体工作流

临床相关的肿瘤学信息分布在异构的纵向文档中，造成巨大的抽象负担，并需要跨样本、肿瘤、生物标志物和时间点进行准确归因，而手动癌症登记抽象每个病例可能需要 27.2 分钟，这突出表明需要可扩展的方法来保留临床背景，同时将文档转换为结构化数据。我们评估 Nimblemind 多代理系统 (nMAS)，这是一个可配置的肿瘤学信息提取工作流程，可从碎片化的肿瘤学文档中提取临床相关的结构化字段。提取任务使用临床医生知情的模式，其中包含 328 个属性，涵盖报告元数据、诊断、分期和癌症类型特定信息。 nMAS 将临床医生定义的现场规范与模型执行分开，并结合了复杂性感知提取、报告级整合和基于源的验证。回顾性评估包括来自 40 名患者的 230 份去识别的肿瘤学文档和 418 个临床医生审核的文档字段对，其中包含 1,126 个非空参考值。评估重点关注临床医生在源文档中识别的字段，而不是详尽注释所有 328 个模式字段。 nMAS 的排名加权值级别精度为 82.6%，召回率为 87.5%，F1 为 85.0%，而独立实现的 UMA 式 MiniMax M2.5 比较器的 F1 为 66.4%。这些发现支持使用可配置的、基于源的提取工作流程将碎片化的肿瘤学文档转换为可重复使用的结构化数据的可行性。