提示、规划、提取：用于从临床叙述中提取肺部病理信息的零样本代理大语言模型工作流

从病理报告中提取信息对癌症分期至关重要，但关键数据嵌入在叙述性报告中，人工提取耗时且易错。传统监督方法依赖昂贵标注且存在级联失败风险。本研究开发了一种零样本代理工作流，评估了五个开源生成式大语言模型，旨在从肺切除病理报告中填充 13 个美国病理学家学会字段。通过与最先进的监督基线对比，最佳零样本模型在无特定任务训练下实现了 0.893 的 Micro-F1 值，准确提取了复杂关系。结果表明，开源零样本代理大语言模型是低成本提取肺部病理信息的有效方案。