Los investigadores proponen SAGEAgent, un agente clínico basado en LLM que evoluciona automáticamente y decide activamente qué modalidades diagnósticas adquirir para pacientes con cáncer, equilibrando la precisión predictiva frente a la invasividad clínica. El sistema formula la selección de modalidad como un problema de decisión secuencial, utilizando herramientas clínicas, memoria episódica y memoria semántica para razonar sobre el estado diagnóstico en evolución de cada paciente.
- SAGEAgent razona a través de herramientas clínicas que traducen predicciones numéricas a texto.
- Emplea memoria episódica para recuperar casos pasados similares y memoria semántica para patrones de decisión reutilizables.
- Los experimentos en una cohorte de glioma que combina TCGA-LGG, TCGA-GBM y BraTS con cuatro modalidades diagnósticas muestran una precisión competitiva en la predicción de supervivencia.
- El enfoque reduce la carga promedio de adquisición en un 55% en comparación con los métodos que asumen que todas las modalidades están disponibles.
Este trabajo aborda la limitación de los métodos actuales de supervivencia multimodal que o bien asumen una disponibilidad completa de datos o manejan pasivamente los datos faltantes sin justificar la adquisición de modalidades posteriores.