结构化推理样本星图

原始报告的对齐困境

原始报告包含自由文本、非标准表达、多实体混合以及描述与结论未显式对齐等问题。

一份报告中包含多个器官，每个器官包含多个病变，每个病变包含多个征象，每个征象可能对应多个诊断

描述和结论之间的关系可能是 1-to-1，也可能是 many-to-1，甚至存在冲突。

为了让大模型理解这些复杂关系，需要将报告精炼为结构化的“影像证据—诊断判断—外部验证”三元组。

引用来源

• RIS 放射报告文本
• 数据已经进行脱敏

三阶段切分

1. 硬分句：按 。；？！\n 等标点切成粗粒度短句。
2. 实体再分句：按 ，,；; 软标点进一步切分，确保每个子句至少包含一个解剖实体。
3. 语义连接合并：使用 semantic_judge ONNX 模型判断相邻短句是否语义连贯并贪心合并。

使用的模型和引擎

• 独有放射行业知识图谱和预处理词典
• 毫秒级实体抽取系统
• 数十万语料训练的放射报告专用语义连接模型

技术说明

核心处理流程从医学报告输入开始，经过文本预处理、FlashText 实体抽取、实体锚定、句子重分割、方位信息提取、疾病描述获取、测量值提取、阳性判断、歧义消解、实体合并、原始句子匹配，最终生成结构化输出。

引用来源

• https://github.com/szmxwu/Extract_Entities
• 基于上亿放射学语料训练的word2vec模型
• 私有行业知识图谱

知识图谱统计

当前样本解剖链

引用来源

• 行业闭源知识库，3000+专业词汇
• 六级知识图谱树（2152 节点 / 2151 同义词）

技术说明

关系重建先按器官/方位建立候选，再用 Word2Vec、部位相容性和 LLM 严格验证确认对应关系。目标不是把全报告描述连到全部结论，而是为每个诊断找到真正相关的证据句。

关系统计

引用来源

• 放射质控模型：https://github.com/szmxwu/reportQC_V2
• LLM 严格 CoT 验证
• 方位一致性规则

外部验证逻辑

• 病理：更强证据，判定符合 / 基本符合 / 不符合
• 出院诊断：临床结局证据，补充无病理样本
• 质量评分：综合结构完整性、一致性、验证强度和训练适用性

引用来源

• 放射智能体：https://github.com/szmxwu/LLM_with_RAG
• 出院诊断/病理诊断
• Importance 模型（R²=0.596）
• Contradiction 模型（F1=0.904）

7 类数据资产

根据 evidence_grade、quality_level_abcd 和 pathology_match_result 将样本分流为结构化语义单元、KG 节点、描述-结论对齐样本、外部验证样本、Benchmark、后训练样本和冲突待复核样本。

子集统计

引用来源

• CoT 单元 schema
• Qdrant cot_units 集合
• desc_structures 结构化集合