这个品类的数据长什么样
CAR-T 细胞治疗产品的数据主要来源于临床试验报告、药品说明书、监管审批文件、学术论文以及药企内部研发文档。这些数据更新频率相对较低，通常随临床进展或监管审批周期进行，例如每季度或每年。文档结构方面，多以 PDF 格式的结构化文本为主，包含大量医学术语、剂量单位、临床指标和不良事件描述。字段与单位具有高度专业性，例如“剂量”常以 细胞数/kg 表示，“疗效”涉及 CR（完全缓解）、PR（部分缓解）等标准，不良事件则需关注 CTCAE 等级。
这些特征在「模型接入与配置」这一环带来什么约束
CAR-T 细胞治疗数据的专业性对模型接入与配置提出了特定要求。首先，更新频率低意味着初次数据摄取可能耗时较长，但后续增量更新压力较小，因此需要关注 PARSE_FILE_TIMEOUT_SECONDS 参数的初始设置。其次，文档中包含的复杂医学术语和专业缩写，要求模型在分词和实体识别阶段能有效处理，需配置合适的词典或预训练模型。结构化文本中的表格和图表信息，可能在常规文本抽取中丢失，需要增强文件解析能力。字段和单位的标准化，则要求在数据预处理阶段进行严格的单位归一化，避免因单位不一致导致模型理解偏差，例如将不同文献中的 10^6 cells/kg 和 million cells/kg 进行统一。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
UPLOAD_FILE_MAX_SIZE | 500 MB | 临床报告和说明书文件较大，确保一次性上传。 |
PARSE_FILE_TIMEOUT_SECONDS | 600 秒 | 复杂 PDF 文件解析耗时，避免因超时导致解析失败。 |
分段长度 | 800–1200 字符 | 兼顾上下文完整性与模型处理能力，适用于医学文本。 |
召回条数 | 前 8 条 | 确保覆盖多篇相关文献的关键信息，提高答案准确性。 |
相似度阈值 | 按实测标定 | 需根据具体数据集的语义相似度分布进行调整，避免误召回或漏召回。 |
重排返回条数 | 前 3 条 | 聚焦最相关的三条信息，减少模型处理负担并提高时效性。 |
容易做错的三处
- 模型返回信息中剂量或疗效数据出现单位不一致或数值错误，原因在于数据预处理阶段未对医学单位进行标准化归一化处理。
- 模型无法从临床试验报告中准确提取不良事件发生率，现象是相关字段为空或信息缺失，原因在于文件解析器未能有效识别并抽取复杂表格结构中的数据。
- 面对特定医学术语的咨询，模型回答泛泛或出现“我无法提供相关信息”的提示，原因在于模型未集成专业医学词典或在训练阶段缺乏相关领域知识。
怎么确认配好了
- 上传一份包含剂量、疗效和不良事件的典型 CAR-T 临床试验报告，检查模型能否准确抽取并理解这些关键信息，特别是涉及
CTCAE等级的描述。 - 查询不同来源（如药品说明书与学术论文）中关于同一 CAR-T 产品的特定参数，验证模型能否进行信息整合并提供一致的答案。
- 输入含有专业医学术语的复杂问题，观察模型回答的专业性和准确性，判断是否能有效处理领域词汇。
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。