TheraAgent：面向PET诊疗一体化的具备自进化记忆与证据校准推理的多智能体框架

PET诊疗一体化正在变革精准肿瘤学，但治疗响应差异很大；许多因转移性去势抵抗性前列腺癌（mCRPC）而接受177Lu-PSMA放射性配体治疗（RLT）的患者没有响应，这要求可靠的疗前预测。尽管基于LLM的智能体在复杂医学诊断中展现出显著潜力，它们在PET诊疗结局预测中的应用仍未被探索，且面临三个关键挑战：（1）数据与知识稀缺：RLT直到2022年才获FDA批准，导致训练案例少、通用LLM的领域知识不足；（2）异构信息整合：稳健预测有赖于从PET/CT、实验室检查和自由文本临床文档中进行结构化知识抽取；（3）证据锚定的推理：临床决策必须锚定于试验证据而非LLM幻觉。本文提出TheraAgent，据我们所知，这是首个面向PET诊疗一体化的智能体框架，包含三项核心创新：（1）带置信度加权共识的多专家特征抽取，三个专门专家在处理异构输入的同时进行不确定性量化；（2）自进化智能体记忆（SEA-Mem），从积累的病例中学习预后模式，支持基于有限数据的案例推理；（3）证据校准推理，整合一个精选的诊疗知识库，把预测锚定于VISION/TheraP试验证据。在35名真实患者和400个合成病例上的评估显示，TheraAgent在真实患者上达到75.7%的总体准确率，在合成病例上达到87.0%，比MDAgents和MedAgent-Pro高出20%以上。这些结果凸显了PET诊疗一体化中可信AI智能体的一条可行蓝图，实现试验校准、多源决策支持。代码将在论文录用后发布。