HARMON-E：用于提取结构化数据的多模态肿瘤学笔记的分层代理推理

本文介绍了一种名为HARMON-E的新型代理框架，该框架利用大型语言模型（LLM）从非结构化临床笔记中提取结构化肿瘤学数据。该方法通过采用上下文敏感的检索和迭代合成来处理可变性、专业术语和不一致的文档格式，从而解决了现有方法的局限性。该框架将复杂的提取任务分解为模块化、自适应步骤的能力是一个关键优势。在大型数据集上取得的0.93的令人印象深刻的F1分数表明，HARMON-E有潜力显著提高肿瘤学数据提取的效率和准确性，从而促进更好的治疗决策和研究。特别有价值的是关注跨多个文档的患者级别合成。