templar：Agentic大规模临床语料库标准化放射学报告模板的归纳和演变

结构化放射学报告减轻了自由文本报告的异质性，但其好处取决于高质量的报告模板。在实践中，此类模板通常是通过劳动密集型专家共识构建的，因此因机构而异，并且落后于不断发展的临床实践。 大语言模型 (LLM) 可实现自动模板归纳，但现有方法仍然有限：单个LLM归纳受到上下文长度的限制，而语料库规模方法 ASTAR 会生成静态、封闭的语料库模板，无需外部视觉定位或下游适应。为了解决这些限制，我们提出了 TEMPLAR，这是一个以 TEMPLate 为中心的Agentic框架，用于从大规模临床语料库中引入和发展标准化放射学报告模板。 TEMPLAR 将模板视为与两个起源感知知识图一起维护的持久中心状态，即约束模板构造的解剖图和支持从发现到诊断推理的诊断图。三个智能体在此状态下运行。 Induction 智能体通过双视图相似性聚类从解剖学约束的跨度三重原子中导出规范的临床槽；然后，Evolution 智能体将这些插槽组装成分层模板，并根据一致性约束、外部临床证据和下游结构化反馈对其进行修改；临床智能体应用改进的模板来报告结构化、重建和诊断推理。在四个数据集上，TEMPLAR 在覆盖范围、信息保真度和诊断保真度方面优于 ASTAR、三个医疗LLM和六个通用LLM，同时实现最高或并列最高的LLM评级模板质量。在跨数据集传输下，其相对于 ASTAR 的保真度优势仍然存在，并且累积的消融支持其关键组件的互补贡献。