用于乳腺癌治疗推荐的代理系统评估

一项研究评估了基于大型语言模型的代理系统在乳腺癌治疗推荐中的表现。使用72个真实临床病例（I至IV期）和1147个案例特定评分标准，比较了7种管道（包括单LLM基线、工具增强系统和多智能体架构）。最佳配置（Claude Opus 4.8配合D&C+SA管道）得分为0.594±0.025。工具使用和智能体自主性效果不一，但存在持续性临床相关失败，如错误或缺失推荐、引用错误、过时主张和过度自信。结论认为这些系统可生成临床相关推荐，但不足以无监督使用。

此前LLM辅助临床决策研究多聚焦简单任务，本研究首次系统评估复杂多智能体架构在肿瘤治疗规划中的真实表现，暴露了当前系统在可靠性上的根本缺陷，尤其是工具使用和自主提升并未带来一致改进，反而在某些场景降低性能。

研究通过不对称信息评分生成方法模拟真实临床决策，比较单LLM、工具增强和多智能体架构。结果表明增加自主性和工具使用并不总是提升性能——引用错误、过时主张和过度自信等缺陷普遍存在，最佳得分仅0.594，说明当前代理系统在需要精确推理的复杂医疗场景中仍不可靠。

对开发临床决策支持产品的团队而言，该结果意味着：当前AI系统不能直接用于无监督治疗推荐，必须保留医生活动审核；工具增强设计需避免产生虚假引用；系统应内置不确定性量化并标注可能的错误类型，以辅助人类判断而非替代。

• 开发半监督乳腺癌治疗辅助工具，输出推荐同时附带置信度分数和错误类型警示，由医生终审
• 结合多智能体事实核查机制（如自动验证引用文献的时效性和准确性）减少引用错误
• 基于该研究评估框架，为其他癌种构建基准测试数据集以衡量AI系统的临床可靠性

• 其他主流LLM（如GPT-4o、DeepSeek）在相同乳腺癌病例上的表现是否显著优于Claude Opus 4.8？
• D&C+SA管道的具体组件和实现细节是什么？能否在其他临床场景中复现？
• 如何通过强化学习或人工反馈修正系统在特定疾病阶段的系统性错误？
• 该研究中的72个病例能否代表真实临床病例的多样性（如人口统计、合并症）？