在精准肿瘤学中优化具有基因组学认知的临床治疗药物

《npj Systems Biology and Applications》：Optimizing genomics-aware clinical agents in precision oncology

　　

摘要

本文提出了用于临床决策支持的智能系统，但无限制的工具使用可能会削弱精准肿瘤学中的责任性和安全性，因为在这些领域，建议必须基于不断更新的指南、监管标签以及患者特定的分子证据。我们比较了四种架构：(i) 一个独立的大型语言模型（LLM）；(ii) 一个能够调用200多种生物医学工具的无限制功能调用代理；(iii) 在相同工具范围内的ReAct代理；(iv) gSage代理，它是一个由工作流协作的代理，仅限于使用20个经过精选的领域工具，并由一个版本化的知识库支持。我们使用多个前沿的LLM模型，评估了41个病例（涵盖乳腺癌、非小细胞肺癌、前列腺癌、卵巢癌和结直肠/胃肠道癌症）中由临床医生提出的375个问题。通过结合基于LLM的评分标准与专家评审以及独立的基于嵌入的内容一致性分析的双重评估方法，得到了一致的结果。在工作流协作的代理在五个评估维度（指南一致性、正确性、以患者为中心、推理透明度和安全性）上均优于其他所有选项，并且在生物医学模型（MedCPT，R = 0.877）和通用模型（Snowflake Arctic，R = 0.803）下均实现了最高的嵌入召回率，显著优于所有全样本组（p < 0.05，Bonferroni校正）。这些发现表明，在基因组学驱动的肿瘤学决策支持中，关键在于通过受限且经过精选的工具来进行合理的工作流协作，而非追求工具的广泛性。