演示：用于分子肿瘤委员会中患者摘要的医疗保健代理协调器 (HAO)

论文信息

• 标题 (Title): Demo: Healthcare Agent Orchestrator (HAO) for Patient Summarization in Molecular Tumor Boards

• 作者 (Authors): Matthias Blondeel, Sam Preston, Leonardo Schettini, Wen-wai Yim, Mert Öz, Matthew P. Lungren, Noel Codella, Hao Qiu, Frank Tuan, Smitha Saligrama, Shrey Jain, Thomas Osborne

• 发表年份 (Year): 2025

• 原文链接 (URL): https://arxiv.org/abs/2509.06602

结构化摘要 (Structured Abstract)

• 背景/目标 (Background/Objective)：在分子肿瘤委员会 (MTBs) 中，多学科专家需要协作制定复杂的癌症治疗方案，其核心环节是患者摘要 。目前，人工撰写摘要耗时巨大、质量参差不齐且易遗漏关键信息 。本研究旨在开发一个名为“医疗保健代理协调器”(HAO) 的人工智能系统，以自动生成准确、全面的 MTB 患者摘要，并建立一个可靠的评估框架来衡量其质量 。

• 方法 (Methods)：研究团队构建了 HAO，这是一个由大型语言模型 (LLM) 驱动的多智能体系统，它通过一个“协调器”来管理多个领域专业化的智能体（如病史、放射学、病理学），模拟真实肿瘤委员会的协作流程 。为解决评估难题，团队提出了 TBFact，一个“以模型为评判者”的评估框架 。该框架将摘要分解为独立的临床事实，对事实的重要性进行分级，并通过双向蕴含判断来量化摘要的完整性 (Recall) 和简洁性 (Precision) 。

• 结果 (Results)：在一个包含 71 位肿瘤患者真实数据的基准数据集上，HAO 中的单个“病史”智能体 (PatientHistory agent) 表现出色 。在计算部分蕴含的情况下，该智能体捕获了 94% 的高重要性信息；在严格的完全蕴含标准下，其 TBFact Recall (召回率) 达到了 0.84 。一项人类验证研究证实，TBFact 的评估结果与医学专家的判断高度相关（例如，Spearman 相关系数为 72.8%），证明了其作为评估代理的有效性 。

• 结论 (Conclusion)：HAO 框架和 TBFact 评估体系为 MTB 提供了可靠且可扩展的支持 。HAO 能够生成高质量的患者摘要，减轻临床医生的工作负担，而 TBFact 则提供了一种无需共享敏感临床数据即可在本地部署的评估方法，解决了临床治理的关键问题 。

1. 引言 (Introduction)

1.1. 研究背景与核心问题 (Research Background & Problem Statement)

• 研究背景：分子肿瘤委员会 (MTBs) 是现代癌症治疗中至关重要的一环，它汇集了放射科、病理科、肿瘤科等多领域专家，共同为患者制定个性化治疗策略 。会议的效率和质量在很大程度上依赖于一份全面而简洁的患者摘要，这份摘要需要从临床笔记、影像、病理和基因组等异构记录中提炼而成 。

• 核心研究问题：当前，撰写这些摘要的过程完全依赖人工，不仅耗时极长（放射科医生和病理科医生平均分别花费 81.7 和 144.0 分钟），而且质量不稳定，常常遗漏关键信息（如合并症） 。虽然通用 LLM 潜力巨大，但它们在医疗等高风险领域的应用面临严峻挑战，如事实准确性（幻觉）、无法整合多模态数据以及过程不透明、无法追溯等问题 。因此，核心研究问题是：如何构建一个能够模仿人类专家协作、安全可靠地整合多源医疗数据、并以可追溯的方式自动生成高质量 MTB 患者摘要的 AI 系统？

• 这是一个长期存在的问题，但本文提出的多智能体协调器 (multi-agent orchestrator) 架构是一个创新的解决方案 。

1.2. 文献综述与研究缺口 (Literature Review & Research Gap)

• 现有研究：现有工作流程主要依赖于耗时费力的人工总结 。尽管已有研究探索使用 LLM 进行临床文本总结，但它们往往是单一的、“大一统”的模型，难以应对 MTB 所需的跨领域、多模态的复杂推理 。此外，评估生成的临床摘要也是一个巨大挑战，传统的文本相似度指标（如 ROUGE）无法捕捉临床事实层面的差异，例如两个摘要可能措辞不同但临床意义相同，或者措辞相似但遗漏了关键细节 。

• 研究缺口 (Gap)：当前领域缺少一个既能模拟 MTB 多学科协作模式，又能保证结果准确、过程透明的自动化摘要系统 。同时，也迫切需要一个超越表层文本相似度、能够从临床事实层面评估摘要完整性和准确性的评估框架 。

1.3. 研究目标与核心假设/命题 (Objectives & Hypotheses/Propositions)

• 研究目标：

  1. 开发“医疗保健代理协调器”(HAO)，一个模块化的、由 LLM 驱动的多智能体系统，用于自动化生成 MTB 患者摘要 。

  2. 提出并验证 TBFact，一个新颖的、基于事实的自动化评估框架，用于衡量临床摘要的质量 。

• 核心假设 (Implied Hypotheses)：

  1. HAO 框架中的单个专业化智能体（如 PatientHistory agent），能够生成与人类专家编写的 MTB 摘要信息质量相当的摘要 。

  2. TBFact 评估框架能够作为人类专家评估的有效代理，其评分与专家的判断具有强相关性 。

2. 研究设计与方法 (Methodology)

2.1. 研究范式与方法论 (Research Paradigm & Methodology)

• 研究范式：本研究采用定量 (Quantitative) 的系统开发与评估范式。

• 方法论：

  • 解决方案之关键 (HAO)：HAO 的核心是一个多智能体协调架构 。它并非依赖一个单一的、全能的模型，而是设立一个“协调器”智能体，负责规划任务、管理多个具有特定角色（如病史、放射学、病理学、临床试验）的专业智能体 。这种设计旨在实现三大目标：(i)专业化带来的精确性，为特定任务调用最合适的智能体；(ii) 可追溯性，所有中间步骤和引用来源都可被审计；(iii) 设计上的安全性，通过领域感知的验证点和受控的工具路由来减少错误 。整个系统与 Microsoft Teams 集成，方便临床医生在现有工作流中使用 。

  • 解决方案之关键 (TBFact)：TBFact 的关键是其“分解-验证”(decompose-then-verify) 策略 。它将评估过程分为四个阶段：

    1. 事实提取：将生成摘要和参考摘要都分解为独立的、可验证的“临床事实单元” 。

    2. 重要性分类：利用 LLM 辅助的规则，将每个事实分为高、中、低三个重要性等级 。

    3. 双向蕴含判断：判断一个摘要中的每个事实是否被另一个摘要所支持（完全蕴含、部分蕴含或不蕴含），并据此计算召回率 (Recall)（衡量完整性）和精确率 (Precision)（衡量简洁性） 。

    4. 错误归因：将不匹配的事实归类为“遗漏”或“无支持的声明”，为模型迭代提供 actionable 的诊断信息 。

  • 与之前方法的特点和优势：HAO 的多智能体架构比单一模型更灵活、更透明，且更符合临床协作的本质 。TBFact 相比传统文本相似度指标，能提供更具临床意义的评估，且其自动化设计使其比手动创建评估标准更具可扩展性 。最重要的是，TBFact 可以在机构内部署，无需共享患者数据，解决了数据隐私和治理的关键问题 。

2.2. 数据来源与样本 (Data Source & Sample)

• 数据来源：研究使用了一个名为 TB-Bench 的专有、去标识化语料库 。该数据集由一家领先的医疗服务合作伙伴独立整理，包含了 71 位肿瘤患者在 MTB 中讨论的纵向资料，如 MTB 会议记录、导出的 EHR 数据（影像、生物标志物、诊断、用药等）以及临床医生撰写的患者摘要 。

• 样本：为保证评估的公平性，研究团队对参考摘要中的事实进行了筛选，只保留那些能够被 TB-Bench 数据集内的资料所验证的事实，排除了因数据去标识化而丢失来源的信息 。经过筛选，75.1% 的原始摘要事实被保留用于最终评估 。

2.3. 操作化与测量 (Operationalization & Measurement)

• 关键变量：

  • PatientHistory Agent：该研究隔离了 HAO 框架中的这一个智能体进行基准测试，以评估单个专业智能体的能力 。研究对比了两种提示策略：“通用基线”和针对 MTB 场景优化的“专业化提示” 。

  • TBFact 指标：

    • TBFact Recall (召回率)：衡量完整性的主要指标，即参考摘要中的事实有多大比例被生成摘要所覆盖 。由于在肿瘤治疗中，信息遗漏的风险远高于信息冗余，因此该指标被视为最重要的评估维度 。

    • TBFact Precision (精确率)：衡量简洁性的指标，即生成摘要中有多少事实是得到参考摘要支持的，用于惩罚无关或虚构的信息 。

    • 重要性分层：所有指标均按高、中、低重要性进行分层报告，以突出系统在关键信息上的表现 。

3. 结果与发现 (Results & Findings)

3.1. 主要发现概述 (Overview of Key Findings)

• 专业化提示效果显著：采用为 MTB 场景优化的“专业化提示”后，PatientHistory 智能体的性能远超“通用基线”，在高重要性事实上的 TBFact 召回率从 0.66 提升至 0.84 。

• 性能媲美人类专家：在专业化提示下，PatientHistory 智能体捕获了 94% 的高重要性信息（计入部分蕴含），其信息质量与目前 MTB 中使用的人类撰写摘要相当 。这表明该系统有潜力在不牺牲质量的前提下，显著节省医生的时间 。

• TBFact 评估框架的有效性得到验证：一项全面的人类验证研究表明，TBFact 的各项判断（事实提取、重要性分类、蕴含关系）与医学专家的判断高度一致 。例如，系统蕴含判断与人类的一致性为 88%，最终的 TBFact F1 分数与人类专家评估结果呈现强相关性（Pearson 相关系数 70.5%，Spearman 相关系数 72.8%），证实了其作为可靠评估工具的价值 。

3.2. 关键数据与图表解读 (Interpretation of Key Data & Figures)

• 表 1：PatientHistory 智能体的 TBFact 召回率

  • 解读：该表是核心的量化结果 。它清晰地展示了“专业化提示”对模型性能的巨大提升 。对于所有事实，召回率从 0.56 提高到 0.71；对于临床决策中最重要的“高重要性”事实，召回率则从 0.66 大幅跃升至 0.84 。这证明了针对特定临床场景进行提示工程的有效性 。

  • 关键数据：在高重要性事实上，专业化提示的 TBFact 召回率为 0.84 。

• 第 5.1 节：人类验证研究

  • 解读：这部分数据为整个研究的可信度提供了基石 。它证明了研究者用来评估 AI 的“尺子”(TBFact) 本身是准确的。例如，在判断事实是否成立方面，TBFact 与人类专家的一致性高达 88% 。在事实提取方面，系统准确率高达 99.9% 。这些高一致性的数据表明，TBFact 的自动化评估结果可以作为人类专家评审的可靠替代或补充 。

  • 关键数据：系统与人类的蕴含判断一致性为 88%；端到端的 TBFact F1 分数与人类评估的 Spearman 相关系数为 72.8% 。

4. 讨论 (Discussion)

4.1. 结果的深度解读 (In-depth Interpretation of Results)

• 研究结果表明，通过专业化的智能体设计，即使是 HAO 框架中的单个组件也足以达到当前临床实践中的信息质量标准，从而有潜力解决 MTB 准备工作中耗时巨大的痛点 。TBFact 框架不仅验证了这一点，其细粒度的错误分析（区分“遗漏”和“无支持声明”）也为模型的进一步迭代提供了清晰、可操作的方向 。

4.2. 理论贡献 (Theoretical Contributions)

• 理论贡献：本研究为在复杂的、协作性的医疗工作流中应用 LLM 提供了一个有效的架构范式 (HAO)，强调了模块化、专业化和“设计安全”的重要性 。同时，它贡献了一个面向临床事实的评估框架 (TBFact)，推动了临床文本生成评估技术从表层文本匹配向量深层语义理解的转变 。

• 业界影响：这项工作为医疗 AI 的落地提供了实践蓝图。HAO 与 Microsoft Teams 的集成展示了将 AI 工具无缝嵌入临床医生现有工作流的可能性 。TBFact 可以在医院本地运行而无需共享敏感数据的特性，极大地降低了隐私和合规风险，为 AI 技术在医疗机构的推广扫清了一大障碍 。

4.3. 实践启示 (Practical Implications)

• 对于临床医生或助理，PatientHistory 智能体可以立即作为一个提效工具，快速生成带有引用的病史时间线草稿，作为 MTB 讨论的初稿，从而将医生从繁重的文档整理工作中解放出来 。这有望缩短 MTB 的准备时间，并提高摘要的标准化程度和信息一致性 。

4.4. 局限性与未来研究 (Limitations & Future Research)

• 局限性：作者坦诚地指出了研究的局限性：(i) 当前的评估仅限于单个 PatientHistory 智能体，尚未评估端到端的多智能体协调性能 ；(ii) TBFact 虽与人类专家高度相关，但其本身仍是基于模型的评估，应被视为方向性信号而非绝对真理 ；(iii) 事实的重要性分类由 LLM 辅助完成，未经人类专家的详尽裁定 ；(iv) 评估范围被限定在数据集中可验证的事实，这缩小了考察范围 。

• 未来研究：未来的工作方向非常明确：(i) 对每个智能体及整个 HAO 系统的端到端性能进行评估 ；(ii) 在多智能体协作中追踪错误的传播与归因 ；(iii) 进一步完善 TBFact 指标，如引入加权部分得分 ；(iv) 在真实或模拟的肿瘤委员会中进行前瞻性研究，直接衡量系统对医生编辑负担和准备时间的影响 。

5. 结论 (Conclusion)

• 本研究成功展示了 HAO 框架和 TBFact 评估体系的结合，为自动化 MTB 患者摘要提供了一个实用且强大的基线解决方案 。即使在单智能体模式下，PatientHistory 智能体也已具备临床实用性，而整个 HAO 架构为未来处理更复杂的、多模态的临床推理任务预留了清晰的扩展空间 。

6. 核心参考文献 (Core References)

1. Marrara, B., et al. (2023). Using an adapted tumor board evaluation tool for quality assessment of a thoracic multidisciplinary cancer conference: A pilot study.

   JCO Clinical Cancer Informatics.

   • 该文献是本研究的动机来源，它通过实证数据揭示了人工准备 MTB 摘要的巨大时间成本（如病理科医生需 144 分钟）和质量不稳定的痛点 。

2. Munnangi, M., et al. (2025). Factehr: A dataset for evaluating factuality in clinical notes using llms.

   • 该文献被引为同期工作，它探索了在临床笔记中评估事实性的“分解-验证”范式，为本研究的 TBFact 方法提供了理论和方法论上的参照 。

3. Bannur, S., et al. (2024). Maira-2: Grounded radiology report generation.

   • 该文献提出了 RadFact，是 TBFact 方法的直接前身 。作者明确指出 TBFact 是在 RadFact 的原则基础上，针对纯文本医疗交互场景进行的改编和扩展 。

4. Wong, C., et al. (2025). Universal abstraction: Harnessing frontier models to structure real-world data at scale.

   • 该文献提出了“通用抽象”(Universal Abstraction) 框架，而本研究中的核心组件

     PatientHistory 智能体正是基于此框架构建的，因此是理解智能体技术基础的关键参考文献 。

–EOF–
转载须以超链接形式标明文章原始出处和作者信息及版权声明.