Oncotimia 的评估：一个用于支持肿瘤委员会的基于 LLM 的系统

多学科肿瘤委员会 (MDTBs) 在肿瘤学决策中发挥着核心作用，但需要人工流程并处理大量异构临床信息，导致沉重的文档负担。在这项工作中，我们提出了 ONCOTIMIA，这是一种模块化且安全的临床工具，旨在将生成式人工智能 (GenAI) 集成到肿瘤学工作流程中，并评估其在大语言模型 (LLMs) 支持下自动填写肺癌肿瘤委员会表格中的应用。该系统结合了多层数据湖、混合关系型与向量存储、检索增强生成 (RAG) 以及规则驱动的自适应表单模型，将非结构化临床文档转化为结构化和标准化的肿瘤委员会记录。我们评估了通过 AWS Bedrock 部署的六种 LLM 在十个肺癌病例上的表现，同时测量了表单填写准确率和端到端延迟。结果表明各模型均表现出较高的性能，表现最佳的配置实现了 80% 的字段正确填写率，且大多数 LLM 的响应时间在临床可接受范围内。更大且更新的模型在不产生过高延迟的情况下表现出最佳准确率。这些发现提供了经验证据，表明 LLM 辅助的表单自动填写在多学科肺癌工作流程中技术可行且在运营上切实可行，并支持其在保持数据质量的同时显著减轻文档负担的潜力。