这个品类的数据长什么样
血液肿瘤领域的临床试验预筛数据来源多样，主要包括患者电子病历（EHR）、基因检测报告、影像学检查结果、病理报告以及既往治疗史。EHR数据更新频率较高，可能每日甚至实时更新。基因检测报告和病理报告通常是单次生成，但在治疗过程中可能重复出具。文档结构上，EHR多为半结构化文本，包含诊断、用药、实验室检查结果等字段；基因报告则包含特定的基因突变、融合基因、拷贝数变异等结构化信息，常附带解读文本。字段方面，涉及白细胞计数、血红蛋白、血小板等血液学指标，以及骨髓活检结果、细胞遗传学核型、FISH检测结果等特有字段。单位常包含 g/L、×10^9/L、% 等。
这些特征在「工作流编排」这一环带来什么约束
血液肿瘤数据的多源性与异构性要求工作流具备强大的数据整合与清洗能力。EHR的半结构化特性决定了在数据摄入阶段需要进行复杂的实体识别和信息抽取，例如从自由文本中准确提取肿瘤分期、治疗方案。基因报告中的结构化信息需要精确解析，以匹配预筛条件中的基因突变或表达状态。数据更新频率的差异意味着工作流需要支持增量更新和定期全量同步，以确保预筛结果的实时性与准确性。特有字段的存在，如骨髓原始细胞比例，要求工作流中的语义理解模型能够识别并正确处理这些领域特定术语。此外，多种数据报告格式（如PDF、图片、文本）要求工作流在文件解析阶段能支持多格式处理，并能将不同来源的数据统一到标准化的数据模型中，避免数据丢失或误解。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
分段长度 | 500–800 字符 | 血液肿瘤病历和报告中常有较长的描述性段落，此长度有助于保留上下文完整性，避免关键信息被截断。 |
召回条数 | 前 10–15 条 | 患者信息与基因报告关联复杂，增加召回条数可提高覆盖面，确保不遗漏潜在的匹配信息。 |
相似度阈值 | 0.75–0.85 | 临床试验条件通常对关键指标要求精确匹配，高阈值可减少误报，降低不符合患者进入后续流程的风险。 |
maxContext | 8000–12000 token | 整合患者多份报告（EHR、基因、病理）时，需要更大的上下文窗口来承载所有相关信息进行综合判断。 |
PARSER_CONCURRENCY_LIMIT | 2–4 | 血液肿瘤的报告解析涉及OCR和文本抽取，这些操作计算资源消耗较高，限制并发能避免系统过载。 |
TOOL_RESPONSE_TIMEOUT_SECONDS | 60–90 秒 | 外部基因数据库查询或临床指南检索可能耗时较长，适当延长工具响应超时时间可避免任务中断。 |
容易做错的三处
- 工作流执行超时，提示
TOOL_CALL_TIMEOUT：原因在于部分基因数据库查询或外部临床指南API响应慢，但工具调用超时时间设置过短。 - 预筛结果中部分关键指标（如基因突变位点）出现遗漏或错误：原因在于数据摄入阶段，针对非结构化文本的实体识别模型未充分训练，导致关键医学术语抽取不准确。
- 工作流无法正确处理新的病理报告格式，导致数据解析失败：原因在于文件解析器未及时更新或未配置对新型PDF或图片报告的OCR处理能力。
怎么确认配好了
- 选取一批已知符合和不符合预筛条件的患者数据，运行工作流，核对输出的匹配结果与预期是否一致，并统计准确率和召回率。
- 检查工作流日志，确认所有外部工具调用（如基因数据库查询、临床指南检索）均能成功执行，没有
ERROR或WARNING级别的超时或连接失败记录。 - 随机抽取多份不同来源（EHR、基因报告、病理报告）的原始数据，与工作流处理后的结构化中间数据进行比对，确认关键字段、单位和文本描述是否被准确提取和标准化。
问题素材取自公开社区提问（2026-09-11 去重 4,834 条）。文中的配置项名称与取值区间需以所用版本的实际界面与文档为准；本页核验日 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。