EndoGov：用于子宫内膜癌风险分层的知识管理多智能体专家系统

用于子宫内膜癌 (EC) 风险分层的多模态人工智能模型通常会优化总体预测性能，但提供了有限的机制来执行强制性指南覆盖，例如尽管具有高级别形态，但仍将 POLE 突变肿瘤分配给低风险组。我们提出了 EndoGov，一个两层多代理专家系统，它将决策过程分解为 D(x) = G(P(x), R)，其中专家代理 P 提取结构化证据，治理代理 G 应用可执行规则集 R。第 1 层包括病理学、分子和临床代理，它们从冻结的基础模型特征或结构化记录独立生成模式约束报告。第 2 层查询证据级别加权的指南知识图，对高优先级覆盖使用确定性硬路径规则，对不明确的情况使用约束软路径推理。在 TCGA-UCEC (n=541) 中，EndoGov 在暴露于触发的案例中实现了 0.943 的准确率、0.973 的宏 AUC 和 0.93% 的条件逻辑违规率 (C-LVR)。在 CPTAC-UCEC (n=95) 中，参考标签源自指南，EndoGov 的准确度达到 0.842，而锁定转移神经基线的准确度 < 0.31，支持分布转移下的治理路径转移，而不是针对独立临床事实进行验证。端到端的安全分解主要将残余故障局部化到上游分子检测而不是下游治理。后端交换实验进一步表明，硬路径合规性对于 LLM 后端来说是不变的。这些发现表明，明确的临床规则治理可以提供符合指南的、可审计的 EC 风险分配，同时保留竞争歧视。