Les chercheurs proposent SAGEAgent, un agent clinique basé sur un LLM auto-évolutif qui décide activement des modalités diagnostiques à acquérir pour les patients atteints de cancer, équilibrant précision prédictive et invasivité clinique. Le système formule la sélection de modalité comme un problème de décision séquentielle, utilisant des outils cliniques, une mémoire épisodique et une mémoire sémantique pour raisonner sur l'état diagnostique évolutif de chaque patient.
- SAGEAgent raisonne à travers des outils cliniques qui traduisent les prédictions numériques en texte.
- Il utilise la mémoire épisodique pour récupérer des cas passés similaires et la mémoire sémantique pour des schémas de décision réutilisables.
- Des expériences sur une cohorte de gliomes combinant TCGA-LGG, TCGA-GBM et BraTS avec quatre modalités diagnostiques montrent une précision de prédiction de survie compétitive.
- L'approche réduit la charge d'acquisition moyenne de 55 % par rapport aux méthodes supposant que toutes les modalités sont disponibles.
Ce travail traite de la limitation des méthodes actuelles de survie multimodale qui supposent soit une disponibilité complète des données, soit gèrent passivement les données manquantes sans justifier l'acquisition des modalités suivantes.