AI多智能体工作流从肿瘤文档中提取结构化数据，F1达85.0%
研究显示，NimbleMind多智能体系统在处理碎片化肿瘤文档时，其精度和召回率均优于独立实现的UMA风格MiniMax M2.5比较器。
AI解读：肿瘤信息往往分散在不同的病历文档中，医生或肿瘤登记员手动整理每个病例平均需要27.2分钟，容易出错且难以追溯。这项研究提出一种可配置的多智能体工作流nMAS，由OncoLens负责从电子病历中筛选和整合相关文档，再由多个智能体分工提取诊断、分期等关键字段，并把临床医生定义的规则与模型执行分开，最后进行来源验证。在40名患者的230份文档测试中，nMAS的加权F1达到85.0%，高于对比模型UMA风格MiniMax M2.5的66.4%。这意味着肿瘤登记或临床研究的数据整理工作有望大幅自动化，相关团队可以减少人工抽取时间，但实际部署还需在医院数据环境中验证性能和适配性。
一项预印本研究评估了名为NimbleMind Multi-Agent System（nMAS）的可配置肿瘤信息提取工作流，在230份来自40名患者的去标识肿瘤文档中，其加权值级精度为82.6%，召回率为87.5%，F1为85.0%；独立实现的UMA风格MiniMax M2.5比较器F1为66.4%。
该工作流由OncoLens提供多源、肿瘤感知的文档选择、聚合和归一化处理，nMAS则从碎片化肿瘤文档中提取临床相关结构化字段。
评估方法与结果
提取任务使用由临床医生制定的包含328个属性的模式，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，结合复杂度感知提取、报告级整合和来源验证。
回顾性评估包含418对经临床医生审查的文档-字段对，含1,126个非空参考值，评估聚焦于临床医生认定存在于源文档中的字段，而非穷举标注全部328个模式字段。
研究指出，手动癌症登记抽象每例可能需27.2分钟，凸显可扩展方法的需求，该发现支持使用可配置、基于来源的提取工作流将碎片化肿瘤文档转换为可复用结构化数据的可行性。