这个品类的数据长什么样
血液肿瘤临床试验预筛的数据主要来源于医学文献、临床试验方案（Protocol）、患者病历、基因检测报告以及药物研发资料。这些数据更新频率较高，新的临床研究成果、药物信息和治疗指南会定期发布。文档结构复杂，例如临床试验方案通常包含多级标题、图表、附录和修订记录，而病历则包含非结构化的医生记录、检验结果和影像报告。字段与单位具有高度专业性，涉及血常规、骨髓细胞形态学、流式细胞术、FISH、基因测序等多种检测指标，单位包括 g/L、ng/mL、%、拷贝数 等，且常伴有正常值范围或临界值。此外，许多关键信息以表格或嵌套列表形式呈现，图片中也可能包含重要的形态学或病理学图像。
这些特征在「文档解析与分块」这一环带来什么约束
血液肿瘤临床试验预筛数据的复杂性对文档解析与分块提出了多重约束。首先，多源数据和高更新频率要求知识库具备高效的文档同步和增量更新能力，以确保信息的时效性。其次，复杂的文档结构意味着单一的文本分段策略难以有效捕捉上下文关联，例如，临床试验方案中的入排标准可能分散在不同章节，需要跨段落甚至跨页面进行关联。表格和图片中包含的关键生物标志物、基因突变信息和治疗方案，若无法有效提取，将直接影响预筛的准确性。最后，专业化的字段和单位，以及大量的医学术语，要求分词器和实体识别模型具备高度的领域适应性，避免因词法分析不准确导致关键信息丢失或误解。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | 临床试验方案和病历文件常包含大量图像和表格，导致文件体积较大。 |
分段长度 | 800–1200 字符 | 兼顾上下文完整性与召回效率，避免过度切分导致语义断裂，或过长导致无关信息干扰。 |
最大段落深度 | 5 | 临床试验方案通常具有深层嵌套的章节结构，保证解析到关键子章节内容。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 处理大型PDF文件（如包含高分辨率病理图像）可能耗时较长，防止解析超时。 |
是否启用OCR | 是 | 患者病历和部分旧版文献常以扫描件形式存在，需识别图片中的文字信息。 |
召回条数 | 10–15 条 | 血液肿瘤预筛的决策复杂，需要更多相关证据支持，提升召回率。 |
容易做错的三处
- 上传的 PDF 文件无法解析出文字内容，返回的知识块为空。原因在于 PDF 文件是纯图片扫描件，未启用 OCR 功能或 OCR 服务识别失败。
- 知识库中关于某个基因突变的描述不完整，缺少关键的上下文信息。原因可能是分段长度设置过短，导致关键信息被切分到不同的知识块，丢失了关联。
- 导入了包含大量表格的临床指南，但查询时无法有效检索到表格中的数据。原因可能是文档解析器未对表格结构进行专门处理，直接将表格内容作为普通文本进行分段。
怎么确认配好了
- 选取包含复杂表格、图片和多级标题的代表性文档进行上传，检查解析出的知识块是否包含所有关键信息，并核对表格数据是否被正确提取。
- 针对血液肿瘤领域特有的医学术语和基因突变名称，构造查询语句，检查知识库能否召回包含这些术语的准确知识块，并评估召回知识块的完整性。
- 选择多个不同来源（如临床试验方案、患者病历、基因检测报告）的文档进行解析，观察解析过程是否出现超时或报错，并检查日志输出以判断解析器是否正常工作。
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。