相互依赖约束中的深度反思推理从数字健康临床记录中提取结构化数据

arXiv:2603.20435v1 公告类型：新 摘要：从临床记录中提取结构化信息需要浏览一个密集的相互依赖变量网络，其中一个属性的值在逻辑上约束其他属性。现有的基于大型语言模型 (LLM) 的提取流程通常难以捕获这些依赖性，从而导致临床输出不一致。我们提出了深度反思推理，这是一个大型语言模型代理框架，它通过检查变量、输入文本和检索的领域知识之间的一致性来迭代地自我批评和修改结构化输出，并在输出收敛时停止。我们在三种不同的肿瘤学应用中广泛评估了所提出的方法：（1）在粗略描述的结直肠癌概要报告中（n=217），反思推理将八个分类概要变量的平均 F1 从 0.828 提高到 0.911，并将四个数值变量的平均正确率从 0.806 提高到 0.895； (2)在尤文肉瘤CD99免疫染色模式鉴定(n=200)上，准确率从0.870提高到0.927； （3）肺癌肿瘤分期（n=100），肿瘤分期准确度从0.680提高到0.833（pT：0.842 -> 0.884；pN：0.885 -> 0.948）。结果表明，深度反思推理可以在相互依赖的约束下系统地提高基于法学硕士的结构化数据提取的可靠性，从而实现更一致的机器可操作临床数据集，并促进通过机器学习和数据科学实现数字健康的知识发现。