摘要
在多模态临床肿瘤学中，癌症患者的生存预测是否真的需要完整的诊断工作？当前的多模态生存方法假设所有模态均可用或被动处理缺失数据，但没有主动推理在给定患者的有序工作流中，获取下一个模态是否合理。
我们将此问题制定为一个顺序决策问题，提出了 SAGEAgent（基于经验的顺序获取智能体），这是一个自我进化的 LLM（大语言模型）基础的临床智能体，决定为每位患者获取哪些诊断模态，以平衡预测准确性与临床侵入性。
SAGEAgent 通过临床工具推理每位患者不断变化的诊断状态，这些工具将数值预测转换为文本，并通过一个情节记忆检索类似的过去案例，以及一个语义记忆从经验中积累可重用的决策模式。实验结果显示，在结合 TCGA-LGG、TCGA-GBM 和 BraTS 的胶质瘤队列中，SAGEAgent 在实现竞争性的生存预测准确性的同时，平均减少了 55% 的获取负担。
博主点评： SAGEAgent 的提出不仅展示了多模态生存预测的创新思路，还强调了临床决策中对患者个体化需求的关注。通过动态平衡准确性与侵入性，该模型为未来的临床应用提供了重要参考，值得在更广泛的医疗场景中探索其潜力。