DigitalRegistrar：利用大语言模型从病理报告中自动提取结构化医疗数据

本文介绍DigitalRegistrar项目，这是一个使用大语言模型（LLM）处理病理报告、自动提取结构化信息并转换为JSON格式的医疗AI数据处理管道。该项目由kblab2024维护，开源在GitHub（链接：https://github.com/kblab2024/digitalregistrar），发布于2026-05-23。项目旨在解决医疗领域中非结构化病理报告带来的信息检索难、数据分析受限等痛点，将非结构化数据转化为可计算的结构化数据，赋能临床决策、研究加速、质量控制等场景。

医疗数据数字化的痛点

现代医疗中，病理报告多以非结构化形式存在（PDF、扫描图像等），导致信息检索困难、数据分析受限、互操作性差、研究效率低下。据估计，医疗行业约80%数据非结构化，病理学领域比例更高。

病理报告的结构化需求

病理报告包含患者基本信息、标本信息、临床信息、病理诊断、分期分级等关键内容。结构化后可实现：

• 临床决策支持（自动预警、治疗推荐）
• 临床研究加速（患者筛选、数据提取）
• 质量管理与审计（诊断准确率监测）
• 公共卫生监测（肿瘤登记、疾病负担评估）

项目采用模块化管道架构：

1. 输入预处理：解析PDF/DOCX/扫描图像（含OCR）、文本清洗、文档分割
2. 信息提取引擎：基于提示工程的提取（强制JSON输出）、字段级策略（简单/复杂/嵌套字段）、多轮对话提取
3. 模型选择：支持GPT-4（高精度）、Claude（长文档）、Llama 2/3（开源本地部署）、Med-PaLM（医学特化）等
4. 后处理与验证：格式标准化、数据验证（类型/范围/逻辑）、置信度评分
5. 输出格式化：遵循设计的JSON Schema（包含患者、标本、诊断、分期、生物标志物等字段）

1. 医学术语歧义性：构建术语词典、上下文消歧、知识图谱
2. 报告格式异质性：少样本学习、强模型泛化、格式自适应
3. 复杂推理需求：链式思维提示、分步提取、集成医学知识库
4. 数据隐私安全：数据脱敏、本地部署、加密存储与访问控制
5. 模型幻觉：JSON Schema验证、引用原文、置信度阈值、对抗性测试

1. 肿瘤登记自动化：批量处理报告，提取TNM分期等，速度提升10倍+，数据一致性改善
2. 临床研究患者筛选：实时匹配入组标准，推送符合条件患者，加速入组
3. 病理质量控制：检查字段缺失、验证逻辑一致性，提高报告质量
4. 多中心研究数据整合：标准化格式与编码，降低整合成本，加速研究

未来方向

-多模态融合：结合文本、图像、基因组数据 -持续学习：在线学习、主动学习、领域适应 -临床集成：与EMR/EHR深度集成，实时决策支持 -全球标准化：多语言支持、国际编码标准、跨国数据互通

实施建议

医疗机构建议从小规模试点开始，逐步扩展，同时建立完善的质量保证和人工复核机制。

DigitalRegistrar展示了LLM在医疗信息提取的潜力，能处理复杂文本并灵活适应新格式。技术的价值在于改善诊疗、加速研究、提升质量，同时需关注数据质量、隐私安全与伦理合规。AI不是取代人类专家，而是助手，让医生专注于核心任务。当前技术成熟度快速提升，是布局医疗数据智能化的最佳时机。