연구자들은 암 환자를 위해 어떤 진단 모달리티를 획득할지 능동적으로 결정하고 예측 정확도와 임상적 침습성 사이의 균형을 맞추는 자기 진화형 LLM 기반 임상 에이전트인 SAGEAgent를 제안했습니다. 이 시스템은 모달리티 선택을 순차적 의사결정 문제로 공식화하며, 각 환자의 진화하는 진단 상태에 대해 추론하기 위해 임상 도구, 에피소드 메모리 및 의미 메모리를 활용합니다.

  • SAGEAgent는 수치 예측을 텍스트로 변환하는 임상 도구를 통해 추론합니다.
  • 유사한 과거 사례를 검색하기 위해 에피소드 메모리를 사용하고, 재사용 가능한 의사결정 패턴에는 의미 메모리를 활용합니다.
  • TCGA-LGG, TCGA-GBM 및 BraTS의 네 가지 진단 모달리티를 결합한 교모종 코호트 실험은 경쟁력 있는 생존 예측 정확도를 보여주었습니다.
  • 이 접근 방식은 모든 모달리티가 사용 가능하다고 가정하는 방법과 비교하여 평균 획득 부담을 55% 줄입니다.

이 연구는 완전한 데이터 가용성을 가정하거나 후속 모달리티의 획득을 정당화하지 않고 결측 데이터를 수동적으로 처리하는 현재 다중 모달 생존 방법의 한계를 해결합니다.