Исследователи предлагают SAGEAgent, самоэволюционирующего клинического агента на основе LLM, который активно решает, какие диагностические модальности приобретать для пациентов с раком, балансируя между предиктивной точностью и клинической инвазивностью. Система формулирует выбор модальности как последовательную задачу принятия решений, используя клинические инструменты, эпизодическую память и семантическую память для рассуждения об эволюционирующем диагностическом состоянии каждого пациента.
- SAGEAgent рассуждает через клинические инструменты, которые переводят численные предсказания в текст.
- Он использует эпизодическую память для извлечения похожих прошлых случаев и семантическую память для переиспользуемых паттернов принятия решений.
- Эксперименты на когорте глиомы, объединяющей TCGA-LGG, TCGA-GBM и BraTS с четырьмя диагностическими модальностями, показывают конкурентоспособную точность прогнозирования выживаемости.
- Подход снижает среднюю нагрузку на приобретение данных на 55% по сравнению с методами, предполагающими доступность всех модальностей.
Эта работа устраняет ограничение текущих мультимодальных методов выживаемости, которые либо предполагают полную доступность данных, либо пассивно обрабатывают отсутствующие данные без обоснования приобретения последующих модальностей.