从数据分析到肿瘤委员会：一种基于证据的多智能体工作流用于肿瘤学特征提取

arXiv cs.AI 论文
multi-agent-systems medical-data-processing feature-extraction data-extraction oncology machine-learning-pipeline clinical-ai

摘要

论文评估了一个可配置的多智能体系统（nMAS），用于从碎片化的临床文档中提取结构化的肿瘤学数据，与基线模型相比取得了高性能。

arXiv:2608.28974v1 Announce Type: new 摘要：临床相关的肿瘤学信息分布在异质、纵向的文档中，造成大量的抽象负担，并需要准确归属到标本、肿瘤、生物标志物和时间点，而手动癌症登记抽象可能每个案例需要27.2分钟，这突出了在保留临床上下文的同时将文档转换为结构化数据的可扩展方法的必要性。我们评估了Nimblemind多智能体系统（nMAS），一个可配置的肿瘤学信息提取工作流，从碎片化的肿瘤学文档中提取临床相关的结构化字段。提取任务使用了由临床医生告知的包含328个属性的架构，涵盖报告元数据、诊断、分期和癌症类型特定信息。nMAS将临床医生定义的字段规范与模型执行分离，并结合了复杂性感知的提取、报告级别的整合和基于来源的验证。回顾性评估包括来自40名患者的230份去标识化的肿瘤学文档和418个临床医生审查的文档字段对，包含1,126个非空参考值。评估集中在临床医生识别为存在于源文档中的字段，而不是详尽地注释所有328个架构字段。nMAS实现了排名加权的值级精度为82.6%，召回率为87.5%，F1为85.0%，而独立实施的UMA风格MiniMax M2.5比较器的F1为66.4%。这些发现支持了使用可配置的、基于来源的提取工作流将碎片化的肿瘤学文档转换为可重用的结构化数据的可行性。
查看原文
查看缓存全文

缓存时间: 2026/09/01 12:45 

# 从数据分析到肿瘤委员会：一种基于证据链接的多智能体工作流在肿瘤学特征提取中的应用  
来源：https://arxiv.org/html/2608.28974  
Daniel Kang附属机构：Nimblemind 与 Nimblemind 及 Nimblemind 与 Nimblemind 及 Nimblemind 与独立研究者及乔治亚理工学院交互计算学院及纽约大学坦登工程学院技术管理与创新系及佛罗里达国际大学及杜克-新加坡国立大学医学院及新加坡中央医院解剖病理科及伊利诺伊大学厄巴纳-香槟分校及OncoLens与OncoLens与Nimblemind与NimblemindSoorya Ram Shimgekar附属机构：Shayan Vassef附属机构：Yufan Wang附属机构：Anit Kumar Sahu附属机构：Munmun De Choudhury附属机构：Vedant Das Swain附属机构：Christian Poellabauer附属机构：Li Yan Khor附属机构：Koustuv Saha附属机构：Robert Wojciechowski附属机构：Elliot Kidd附属机构：Piyum Zonooz附属机构：Navin Kumar附属机构：  

###### 摘要  

临床相关的肿瘤学信息分布于异构、纵向的文档中，造成了显著的抽象处理负担，并需要在样本、肿瘤、生物标志物和时间点之间进行准确的归因。人工进行癌症登记抽象处理可能每例需要27.2分钟，这凸显了在将文档转换为结构化数据时，需要保留临床背景的可扩展方法。我们评估了Nimblemind多智能体系统（nMAS），这是一个可配置的肿瘤学信息提取工作流，旨在从碎片化的肿瘤学文档中提取临床相关的结构化字段。提取任务使用了由临床医生指导的模式，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将临床医生定义的字段规范与模型执行分离，并结合了复杂度感知的提取、报告级别的整合以及基于来源的验证。回顾性评估包括来自40名患者的230份去标识化的肿瘤学文档和418个经临床医生审核的文档字段对，其中包含1,126个非空参考值。评估重点在于临床医生认定在源文档中存在的字段，而非详尽地注释所有328个模式字段。nMAS实现了82.6%的排名加权值级精确率、87.5%的召回率和85.0%的F1值，而独立实现的UMA风格的MiniMax M2.5对比系统的F1值为66.4%。这些发现支持了使用可配置的、基于来源的提取工作流将碎片化的肿瘤学文档转换为可重用结构化数据的可行性。  

††proceedings:: 提交至 ML4H 2026:\\mlhtrackname††workshop:健康机器学习（ML4H）2026###### 关键词  

多智能体系统，医疗数据处理，特征识别与增强，数据提取/检索，机器学习流水线优化

相似文章