SAGEAgent：多模态生存预测中成本感知模态获取的自进化智能体

摘要

每位癌症患者真的都需要完整的诊断检查才能准确预测生存吗？在多模态临床肿瘤学中，诊断模态遵循临床规定的递增负担顺序——从入院采集的人口统计学到需要专门组织分析的基因组分析。现有多模态生存方法要么假设所有模态可用，要么被动处理缺失数据，没有一种主动推理“对给定患者按此有序流程获取下一模态是否正当”。我们把它形式化为序贯决策问题并提出SAGEAgent（经验引导的序贯获取）：一个自进化的基于LLM的临床智能体，为每位患者决定获取哪些诊断模态，在预测准确率与临床侵入性之间平衡。SAGEAgent经把数值预测转为文本的临床工具、检索相似既往案例的情节记忆、以及从经验累积可复用决策模式的语义记忆来推理每位患者演化的诊断状态。在结合TCGA-LGG、TCGA-GBM与BraTS、含四种诊断模态的胶质瘤队列上的实验显示：SAGEAgent取得有竞争力的生存预测准确率，同时把平均获取负担降低55%。

SAGEAgent：多模态生存预测中成本感知模态获取的自进化智能体：论文配图 — 图 1：模态获取策略概述。 (a) 现有方法：静态融合统一应用所有模式，强化学习无需解释即可学习自适应策略，基于大语言模型的方法无需临床排序即可对独立测试进行推理。 (b) SAGEAgent 遵循临床采集顺序，在每个阶段根据临床工具、学到的规则和类似的过去案例决定是否采集或停止。患者 A 提前停止（减轻了 83% 的负担）；患者 B 继续接受所有治疗方式。