SAGEAgent：自我演進的成本感知多模態患者生存預測代理

在多模態臨床腫瘤學中，診斷模態遵循臨床規定的 escalating burden 順序，從入組時收集的人口統計資料（demographics）到需要特殊組織分析的基因組分析（genomic profiling）。現有的多模態生存預測方法不是假設所有模態都可用，就是被動處理缺失數據，卻沒有主動推理在該有序工作流中，為特定患者獲取下一個模態是否合理。研究團隊將此問題構建為序列決策問題，並提出了 SAGEAgent（Sequential Acquisition Guided by Experience），這是一個基於 LLM 的自我進化臨床代理，旨在平衡預測準確性與臨床侵入性，為每位患者決定需要獲取哪些診斷模態。

SAGEAgent 透過臨床工具將數值預測轉化為文字，利用 episodic memory 檢索相似的過去案例，並透過 semantic memory 累積從經驗中可重複使用的決策模式，從而推理每位患者不斷變化的診斷狀態。在結合 TCGA-LGG、TCGA-GBM 和 BraTS 的膠質瘤（glioma）群體實驗中，該系統使用了四種診斷模態。結果顯示，SAGEAgent 在保持具有競爭力的生存預測準確性的同時，將平均獲取負擔降低了 55%。