在医疗AI实验室的近期实验中，我们把重点放在放射科报告的结构化处理上。影像AI常见的宣传是"自动出诊断"，但实际落地时，医生更需要的往往是把自由文本报告中的关键信息（部位、征象、大小、结论倾向）抽取成可检索、可比对的字段，用于随访提醒、科研入组和质控。
我们选取了某三甲医院三个月内约1.2万份CT与MRI报告作为实验集，采用预训练语言模型加少量标注微调的方式，抽取出病灶部位、数量、长径、BI-RADS或Lung-RADS分级等12类字段。关键做法是先由两名高年资医师定义标注规范，再对模型输出做规则校验，例如数值单位与解剖部位的一致性检查。
进展如下：
- 在测试集上，主要字段的抽取准确率约91%，其中病灶长径这类数值字段受报告书写习惯影响较大，准确率约86%；部位与分级字段相对稳定，超过94%。
- 下一步计划引入报告版本比对，跟踪同一患者多次检查的字段变化，为随访和疗效评估提供结构化时间序列，同时验证跨科室、跨院区的泛化能力。
需要说明的是，该实验定位为信息抽取与质控辅助，不涉及诊断决策，医生仍是最终判断者。结构化字段的价值在于让原本沉睡在文本里的信息可被稳定调用。
评论