-01-

引言

癌癥研究與腫瘤學(xué)是高度復(fù)雜的科學(xué)領(lǐng)域，具有重大的社會(huì)影響，并對(duì)人類專業(yè)知識(shí)有強(qiáng)烈的需求。在癌癥研究中，需要人類的創(chuàng)造力來提出新的假設(shè)和想法，以理解癌癥的分子和細(xì)胞過程，并最終嘗試影響這些過程以治療或治愈疾病。

癌癥研究者的日常工作包括掌握眾多復(fù)雜的多步驟工作流程。其中一些涉及實(shí)驗(yàn)室的物理活動(dòng)，但許多并不需要與物理環(huán)境互動(dòng)。癌癥研究者所做的很大一部分是智力活動(dòng)，只需要與計(jì)算機(jī)軟件交互。此類任務(wù)如查閱科學(xué)文獻(xiàn)、閱讀科學(xué)新聞文章、審閱實(shí)驗(yàn)數(shù)據(jù)或?qū)��?shù)字?jǐn)?shù)據(jù)進(jìn)行生物信息學(xué)分析。有些任務(wù)甚至延伸到設(shè)計(jì)分子結(jié)構(gòu)，隨后通過計(jì)算方法進(jìn)行評(píng)估。與癌癥研究類似，腫瘤學(xué)的臨床實(shí)踐也涉及由訓(xùn)練有素的人類專家執(zhí)行的過程：閱讀和理解臨床試驗(yàn)結(jié)果、進(jìn)行跨學(xué)科腫瘤委員會(huì)的討論、將治療指南與個(gè)體患者特征相匹配、確定合適的臨床試驗(yàn)以及向患者傳達(dá)復(fù)雜信息，這些都是智力或溝通任務(wù)。

如果我們能使用計(jì)算機(jī)程序來執(zhí)行癌癥研究者和腫瘤學(xué)家所做的許多單一任務(wù)，會(huì)怎樣？代理式AI恰恰可以實(shí)現(xiàn)這一點(diǎn)。代理式AI是（半）自主系統(tǒng)，能夠感知、學(xué)習(xí)并作用于其環(huán)境，因此可以執(zhí)行以前需要人類專業(yè)知識(shí)的認(rèn)知任務(wù)。特別是基于大型語言模型（LLM）的新范式，其中LLM作為核心推理引擎。在非醫(yī)學(xué)領(lǐng)域，擁有多樣化工具集的基于LLM的代理式AI已經(jīng)在顛覆多個(gè)行業(yè)。軟件工程、旅行預(yù)訂、客戶支持以及許多其他任務(wù)現(xiàn)在可以部分或完全由代理式AI自動(dòng)化。最近，代理式AI也已成為醫(yī)療健康和生物醫(yī)學(xué)研究界討論的焦點(diǎn)。商業(yè)部門已經(jīng)開始大規(guī)模投資于基于代理的研發(fā)工具，用于研究管線。這包括為代理式AI應(yīng)用提供沃土的藥物研究。在研究領(lǐng)域內(nèi)，AI系統(tǒng)可以持續(xù)掃描數(shù)千篇新的研究出版物，識(shí)別人類研究者可能忽略的跨研究新興模式，設(shè)計(jì)計(jì)算實(shí)驗(yàn)來測(cè)試新假設(shè)，為新型療法生成潛在的分子結(jié)構(gòu)，并提供全面的患者數(shù)據(jù)分析以確定最佳治療方法，所有這些都可以基于人類的一個(gè)高級(jí)提示持續(xù)運(yùn)行。

與此同時(shí)，醫(yī)院系統(tǒng)越來越多地尋求使用代理式AI來自動(dòng)協(xié)助復(fù)雜任務(wù)，例如優(yōu)化腫瘤學(xué)的診斷流程。此類系統(tǒng)可以在預(yù)約前準(zhǔn)備全面的患者簡(jiǎn)報(bào)，根據(jù)最新證據(jù)和遺傳標(biāo)記建議個(gè)性化治療方案，從全球數(shù)據(jù)庫中識(shí)別合適的臨床試驗(yàn)，甚至起草根據(jù)個(gè)體健康素養(yǎng)水平定制的患者溝通材料，理想情況下讓腫瘤學(xué)家能夠?qū)Ｗ⒂谧o(hù)理的人文方面和復(fù)雜的決策制定。截至2025年，這些能力已不再是“科幻小說”，因?yàn)榧夹g(shù)基礎(chǔ)已經(jīng)存在，并且展示其成功實(shí)施的概念驗(yàn)證研究已經(jīng)發(fā)表。

-02-

一、從大型語言模型到代理式AI

大型語言模型的崛起

強(qiáng)大的代理式AI的出現(xiàn)得益于LLM的發(fā)展。自2010年代末以來，自然語言處理算法取得了巨大進(jìn)步。受到Transformer架構(gòu)發(fā)明的推動(dòng)，加之模型架構(gòu)、訓(xùn)練數(shù)據(jù)集和訓(xùn)練硬件的大規(guī)模擴(kuò)展，LLM已成為任何NLP任務(wù)（即任何涉及語言理解或創(chuàng)造的任務(wù)）的先進(jìn)技術(shù)。從2020年起，LLM席卷了世界。由OpenAI于2020年發(fā)布的LLM生成式預(yù)訓(xùn)練Transformer-3，首次展示了其能力中意想不到的涌現(xiàn)行為，它表現(xiàn)出了驚人的原創(chuàng)性。隨后的LLM，例如ChatGPT的GPT-3.5，進(jìn)一步擴(kuò)展了這些能力。隨后多家商業(yè)和非商業(yè)實(shí)體為這個(gè)生態(tài)系統(tǒng)做出了貢獻(xiàn)：Anthropic的Claude模型、Meta的Llama系列、Google的Gemini和Gemma、Mistral AI的模型以及中國(guó)的DeepSeek及其DeepSeek v3，都做出了實(shí)質(zhì)性貢獻(xiàn)。這些模型在包括競(jìng)爭(zhēng)性編程在內(nèi)的復(fù)雜基準(zhǔn)任務(wù)上達(dá)到了越來越類人的能力。

推理模型

一項(xiàng)特別相關(guān)且改進(jìn)了LLM的進(jìn)展，是2024年和2025年“推理模型”的發(fā)展。第一個(gè)突出的例子是OpenAI于2024年底推出的模型o1。另一個(gè)值得注意的進(jìn)展是DeepSeek R1的出現(xiàn)，它成為第一個(gè)具有與專有替代方案相當(dāng)能力的開源推理模型。隨著來自主要AI實(shí)驗(yàn)室的更多推理模型的出現(xiàn)，該領(lǐng)域迅速擴(kuò)展，包括Google的專門Gemini推理變體（如Gemini 2.0 Flash Thinking）、xAI的Grok 3和Anthropic的Claude 3.7模型。這些模型可以有方法地處理多步驟物理問題，其中一些向用戶展示其內(nèi)部推理，使每個(gè)計(jì)算可見并解釋指導(dǎo)其響應(yīng)的基本原理。

然而，這些推理過程所需的計(jì)算資源和時(shí)間意味著它們通常不適合許多日常任務(wù)，例如簡(jiǎn)單的事實(shí)查詢或直接的文本生成。這導(dǎo)致了“混合”方法的出現(xiàn)，其中AI平臺(tái)動(dòng)態(tài)決定是使用標(biāo)準(zhǔn)模型進(jìn)行即時(shí)響應(yīng)，還是使用推理模型處理復(fù)雜問題。在臨床應(yīng)用中，這樣的混合系統(tǒng)可能會(huì)立即提供標(biāo)準(zhǔn)的藥物劑量信息，但在分析具有多種合并癥和藥物相互作用的復(fù)雜患者病例時(shí)，則會(huì)啟動(dòng)推理能力。

另一個(gè)有趣的發(fā)展是潛在推理模型的興起，其中推理過程完全發(fā)生在模型的內(nèi)部表征中，而不是生成明確的逐步標(biāo)記。這些模型可能提供了兩全其美的優(yōu)勢(shì)：推理的徹底性與直接回答的效率和簡(jiǎn)潔性。這種方法有效地將推理范式整合到模型的基本架構(gòu)本身中，代表了AI系統(tǒng)解決問題方式的轉(zhuǎn)變，從模式匹配轉(zhuǎn)向更接近于深思熟慮的思考。

代理式AI與多代理系統(tǒng)

盡管能力令人印象深刻，但當(dāng)前的LLM面臨一個(gè)根本性的限制：它們無法原生地與環(huán)境交互。相比之下，代理式AI是配備了訪問外部信息源和與軟件系統(tǒng)接口能力的LLM。許多現(xiàn)實(shí)世界的問題解決任務(wù)需要最新信息或超出模型靜態(tài)訓(xùn)練數(shù)據(jù)的動(dòng)態(tài)交互。例如，協(xié)助癌癥治療規(guī)劃的AI系統(tǒng)必須能夠檢索最新的臨床試驗(yàn)結(jié)果和更新的治療指南——這些資源可能在模型訓(xùn)練截止日期之后才發(fā)布。此外，有效的決策通常依賴于通過外部工具采取行動(dòng)的能力。在商業(yè)環(huán)境中，這可能意味著不僅要連接到航空訂票系統(tǒng)以識(shí)別最優(yōu)惠票價(jià)，還要完成預(yù)訂。在醫(yī)療健康領(lǐng)域，這種轉(zhuǎn)變可能涉及從僅僅為患者建議實(shí)驗(yàn)室檢測(cè)，轉(zhuǎn)變?yōu)閷?shí)際在電子健康記錄（EHR）系統(tǒng)中下達(dá)訂單。同樣，推薦臨床試驗(yàn)的模型可以更進(jìn)一步，自動(dòng)檢查患者的資格并啟動(dòng)試驗(yàn)入組流程。

代理的實(shí)現(xiàn)非常容易。在最基本的層面，它們是LLM和工具在簡(jiǎn)單腳本中鏈接在一起的組合。代理核心的LLM并不嚴(yán)格需要任何特定的訓(xùn)練。LLM可以開箱即用，因?yàn)樗鼈円呀?jīng)具備推理能力。通過簡(jiǎn)單地提供適當(dāng)?shù)奶崾静⒏嬷�它們可用的工具，LLM就可以有效地使用這些工具。為了改進(jìn)這一點(diǎn)，也可以專門訓(xùn)練LLM以使用工具，從而在代理工作流程中表現(xiàn)更好。如今，許多通用LLM也接受了代理工具使用的訓(xùn)練。

代理式AI可以相互連接，形成“多代理系統(tǒng)”。一個(gè)LLM將其輸出饋送到另一個(gè)LLM的實(shí)例是這種系統(tǒng)最簡(jiǎn)單的實(shí)現(xiàn)。最早的基于LLM的多代理系統(tǒng)之一是BabyAGI，這是一個(gè)在2023年出現(xiàn)的病毒式GitHub倉庫，實(shí)現(xiàn)非常精簡(jiǎn)。最近，多代理系統(tǒng)被概念化為多個(gè)LLM協(xié)同工作。在這樣的多代理系統(tǒng)中，每個(gè)LLM可以潛在地服務(wù)于不同的功能，或代表（或角色扮演）特定的視角。例如，在癌癥研究背景下，一個(gè)代理可能扮演分子生物學(xué)家的角色，另一個(gè)扮演臨床腫瘤學(xué)家，第三個(gè)則作為生物統(tǒng)計(jì)學(xué)家。每個(gè)代理都將其專業(yè)視角帶入問題，它們可以像人類協(xié)作研究團(tuán)隊(duì)一樣辯論和完善方法。在臨床背景下，多代理系統(tǒng)可以被概念化用于復(fù)雜任務(wù)，例如模擬腫瘤委員會(huì)。然而，目前尚不清楚執(zhí)行復(fù)雜任務(wù)是否嚴(yán)格需要多代理系統(tǒng)，或者它們的所有功能是否可以在一個(gè)基于LLM的單一代理中體現(xiàn)。

-03-

二、代理式AI在癌癥研究中的應(yīng)用

最近對(duì)代理式AI的研究展示了它們?cè)谏�物醫(yī)學(xué)研究中的使用概念驗(yàn)證。這些研究表明，傳統(tǒng)上需要人類專業(yè)知識(shí)的復(fù)雜任務(wù)級(jí)聯(lián)自動(dòng)化是可行的。盡管前幾代AI系統(tǒng)局限于孤立的任務(wù)，如分類和預(yù)測(cè)，但生物醫(yī)學(xué)代理式AI可以整合多個(gè)步驟，如文獻(xiàn)綜述、數(shù)據(jù)分析和實(shí)驗(yàn)設(shè)計(jì)。代理式AI的應(yīng)用在生物醫(yī)學(xué)數(shù)據(jù)科學(xué)中尤為先進(jìn)，通常人類研究者使用計(jì)算工具來詢問數(shù)據(jù)集。這種與計(jì)算工具的人類交互可以由代理單獨(dú)或與人類一起執(zhí)行。然而，研究工作流的代理化遠(yuǎn)不止數(shù)據(jù)分析，例如最近實(shí)現(xiàn)的基于聊天的基因表達(dá)數(shù)據(jù)探索模型，并且涵蓋了廣泛的人類研究活動(dòng)。

任何研究項(xiàng)目的第一步都是構(gòu)思。這項(xiàng)任務(wù)傳統(tǒng)上遠(yuǎn)在AI工具的能力范圍之外，但嵌入在代理式AI中的LLM使其可能得以解決。諸如ResearchAgent和BioDiscoveryAgent等框架代表了基于LLM的系統(tǒng)，一旦由用戶提示，可以通過綜合科學(xué)文獻(xiàn)和數(shù)據(jù)集中的知識(shí)，自主生成新的研究問題和潛在假設(shè)，而無需逐步的人工指導(dǎo)。原則上，此類系統(tǒng)可以以更大的自主性部署，持續(xù)監(jiān)控新出版物，并主動(dòng)識(shí)別現(xiàn)有研究中的空白，而無需等待人類提示。一旦形成研究想法，就必須有效地設(shè)計(jì)實(shí)驗(yàn)。如上文提到的BioDiscoveryAgent等基于LLM的代理，旨在基于生成的假設(shè)協(xié)助規(guī)劃復(fù)雜的生物實(shí)驗(yàn)。其他代理如Coscientist則例證了AI如何自主規(guī)劃和執(zhí)行計(jì)算實(shí)驗(yàn)，包括與腫瘤學(xué)相關(guān)的藥物設(shè)計(jì)過程。

通過整合這些構(gòu)思和執(zhí)行功能，代理式AI可以自動(dòng)化整個(gè)研究工作流。迄今為止，多項(xiàng)概念驗(yàn)證研究表明（半）自主研究代理系統(tǒng)是可以實(shí)現(xiàn)的：例如，Agent Laboratory旨在實(shí)現(xiàn)從文獻(xiàn)分析到發(fā)表的通用研究流程自動(dòng)化。類似地，虛擬實(shí)驗(yàn)室概念提出了一個(gè)框架，其中AI驅(qū)動(dòng)的“首席研究員”協(xié)調(diào)一個(gè)由專業(yè)代理式AI組成的協(xié)作團(tuán)隊(duì)，每個(gè)代理體現(xiàn)不同的專業(yè)知識(shí)，如化學(xué)、生物學(xué)或計(jì)算科學(xué)，作為一個(gè)多代理團(tuán)隊(duì)一起工作。該系統(tǒng)應(yīng)用于用例，并展示了成功設(shè)計(jì)和驗(yàn)證針對(duì)新出現(xiàn)的嚴(yán)重急性呼吸綜合征冠狀病毒2變體的新型納米抗體療法。最終，這些發(fā)展預(yù)示著能夠獨(dú)立管理整個(gè)研究生命周期——包括假設(shè)生成、實(shí)驗(yàn)設(shè)計(jì)與執(zhí)行、數(shù)據(jù)分析和手稿撰寫——的完全自主的“AI科學(xué)家”的出現(xiàn)。

即使是最初的框架也在迅速發(fā)展，值得注意的是，商業(yè)開發(fā)的系統(tǒng)AI Scientist-v2最近產(chǎn)生了一篇完全由AI生成的手稿，并成功通過同行評(píng)審，在一個(gè)科學(xué)研討會(huì)上發(fā)表。未來，此類自主AI系統(tǒng)可能從根本上改變我們進(jìn)行研究的方式。既然這項(xiàng)技術(shù)是可行的，就需要回答新的問題：在代理可以執(zhí)行一些重復(fù)性任務(wù)的世界中，我們?nèi)绾蝺?yōu)化科學(xué)發(fā)現(xiàn)？人類特質(zhì)如好奇心、創(chuàng)造力或毅力的作用是什么？盡管AI研究代理取得了令人印象深刻的進(jìn)步，但仍需要證據(jù)證明它們能夠在不依賴至少來自人類思維的創(chuàng)造性火花的情況下，產(chǎn)生真正新的研究成果。

-04-

三、代理式AI在腫瘤學(xué)中的應(yīng)用

與研究應(yīng)用并行，代理式AI的一個(gè)自然延伸在于腫瘤學(xué)的臨床實(shí)踐，其中決策經(jīng)常依賴于綜合來自多個(gè)來源的數(shù)據(jù)。一個(gè)突出的例子是多學(xué)科腫瘤委員會(huì)，人類專家團(tuán)隊(duì)在其中協(xié)作確定癌癥患者的最佳治療方案，并將此推薦提供給患者。原則上，此類工作流程可以很好地由基于LLM的代理式AI處理。盡管截至2025年，尚無代理式AI系統(tǒng)正式整合到常規(guī)腫瘤學(xué)實(shí)踐中，但已發(fā)表了幾項(xiàng)經(jīng)過嚴(yán)格驗(yàn)證的概念驗(yàn)證研究，并且學(xué)術(shù)和商業(yè)界對(duì)該領(lǐng)域的興趣正在迅速增長(zhǎng)。臨床代理的工具任何現(xiàn)代AI技術(shù)應(yīng)用于臨床環(huán)境的一個(gè)關(guān)鍵擔(dān)憂是幻覺風(fēng)險(xiǎn)，即AI系統(tǒng)捏造或錯(cuò)誤的輸出。盡管在現(xiàn)代AI系統(tǒng)中，明確定義和已驗(yàn)證任務(wù)中的幻覺正變得越來越少，但在某些領(lǐng)域仍然非常成問題。其中一個(gè)有問題的領(lǐng)域是數(shù)值和算術(shù)推理，這是癌癥研究和腫瘤學(xué)的關(guān)鍵。即使是簡(jiǎn)單的臨床任務(wù)，例如比較治療前和治療后的腫瘤大小或計(jì)算劑量，也需要高準(zhǔn)確性和可靠性，而LLM有時(shí)會(huì)在這里出錯(cuò)。研究表明，通過為L(zhǎng)LM配備外部計(jì)算工具，如編寫和執(zhí)行代碼的能力，或集成專門的計(jì)算器如OpenMedCalc，可以顯著提高LLM在此類任務(wù)上的表現(xiàn)。代理式AI的定義是一個(gè)能夠訪問工具的推理系統(tǒng)——因此，配備計(jì)算器的LLM系統(tǒng)是一個(gè)具有明確效用的基本代理系統(tǒng)。另一個(gè)最近的研究引入了RiskAgent，這是一個(gè)專門設(shè)計(jì)的系統(tǒng)，用于在超過387個(gè)風(fēng)險(xiǎn)場(chǎng)景中執(zhí)行醫(yī)療風(fēng)險(xiǎn)預(yù)測(cè)，涵蓋心血管疾病和癌癥等多種疾病。RiskAgent并非依賴需要大量計(jì)算資源的廣泛微調(diào)，而是利用其推理能力，在評(píng)估醫(yī)療風(fēng)險(xiǎn)時(shí)訪問數(shù)百種現(xiàn)有的臨床決策工具和基于證據(jù)的風(fēng)險(xiǎn)計(jì)算器。除了計(jì)算器，一系列額外的工具可以進(jìn)一步增強(qiáng)代理性能。這些包括訪問醫(yī)療指南和證據(jù)庫、放射學(xué)圖像處理模型以及結(jié)構(gòu)化的臨床數(shù)據(jù)庫。因此，臨床代理式AI的整體效用部分取決于其可訪問工具的廣度和質(zhì)量——這在腫瘤學(xué)中尤為重要。臨床推理代理幾個(gè)研究小組已經(jīng)開發(fā)了完全集成的平臺(tái)，將推理能力（如思維鏈推理）與工具使用相結(jié)合，以支持復(fù)雜的臨床決策。其中一個(gè)系統(tǒng)是TxAgent，旨在通過多步推理和實(shí)時(shí)訪問生物醫(yī)學(xué)知識(shí)，為癌癥治療提供個(gè)體化推薦。它從一個(gè)稱為工具宇宙的集合中訪問工具，使其能夠綜合跨分子、藥代動(dòng)力學(xué)和臨床水平的數(shù)據(jù)，考慮藥物相互作用、禁忌癥以及患者特定的變量，如年齡、遺傳標(biāo)記和合并癥。在驗(yàn)證研究中，TxAgent展示了生成精確、個(gè)性化治療計(jì)劃的能力，優(yōu)于標(biāo)準(zhǔn)LLM。相鄰的醫(yī)學(xué)領(lǐng)域也探索了代理式AI在結(jié)構(gòu)化臨床決策中的應(yīng)用。一個(gè)值得注意的例子是研究“房間里的代理式AI”，該研究使用多代理框架模擬了肝移植選擇委員會(huì)。在此設(shè)置中，不同的LLM承擔(dān)了專科角色——肝病學(xué)、外科、心臟病學(xué)和社會(huì)工作——以模擬多學(xué)科評(píng)估過程。這些代理實(shí)現(xiàn)了高診斷性能，能夠可靠地識(shí)別禁忌癥，并以高準(zhǔn)確度預(yù)測(cè)生存獲益。醫(yī)學(xué)領(lǐng)域也出現(xiàn)了更多多代理診斷框架的例子，例如MedAgent-Pro，它雖然不是癌癥特異性的，但展示了適用于腫瘤學(xué)應(yīng)用的可轉(zhuǎn)移原則。對(duì)話代理代理式AI在臨床環(huán)境中部署的關(guān)鍵在于其進(jìn)行上下文感知對(duì)話的能力。理想情況下，此類系統(tǒng)將與患者和醫(yī)療專業(yè)人員互動(dòng)。因此，它們不僅必須處理復(fù)雜的醫(yī)療信息，還必須以同理心和有效的方式行動(dòng)。其中一個(gè)系統(tǒng)，最近由Google發(fā)布，被稱為清晰醫(yī)療智能探索者。它在與患者和醫(yī)生進(jìn)行多輪對(duì)話的同時(shí)，持續(xù)更新其對(duì)患者病例的內(nèi)部表征。當(dāng)信息缺失時(shí)，AMIE會(huì)主動(dòng)詢問，并有策略地引導(dǎo)后續(xù)問題以完成對(duì)患者的評(píng)估。患者和醫(yī)生不僅可以以臨床文檔PDF的形式輸入數(shù)據(jù)，還可以在現(xiàn)實(shí)環(huán)境中提供文檔，例如智能手機(jī)拍攝的病變或心電圖打印輸出照片。AMIE的一個(gè)突出特點(diǎn)是其使用長(zhǎng)上下文推理能力，能夠查閱100份或更多的患者管理指南PDF。與患者和醫(yī)療專業(yè)人員在現(xiàn)實(shí)情況下進(jìn)行對(duì)話，是代理系統(tǒng)區(qū)別于傳統(tǒng)深度學(xué)習(xí)系統(tǒng)的核心優(yōu)勢(shì)。 診斷與治療規(guī)劃最終，代理式AI需要支持醫(yī)療專業(yè)人員完成做出最終診斷和決定治療的核心任務(wù)。前述的AMIE一旦決定已收集到足夠信息，就會(huì)提供診斷。在一項(xiàng)涉及25名患者演員的基于聊天的咨詢隨機(jī)雙盲研究中，AMIE在基于患者和醫(yī)生提供的數(shù)據(jù)做出診斷方面，始終表現(xiàn)相當(dāng)或優(yōu)于初級(jí)保健醫(yī)生。一旦確定診斷和潛在的鑒別診斷，下一步就是決定治療。在腫瘤學(xué)中，這通常意味著篩選大量信息。代理憑借其使用迭代搜索等工具的能力，非常適合支持臨床醫(yī)生完成這項(xiàng)耗時(shí)的任務(wù)：它們可以為個(gè)體患者提出基于證據(jù)的治療計(jì)劃，同時(shí)在推理過程中納入最新的臨床指南和文獻(xiàn)。它們甚至可以幫助尋找正在積極招募的臨床試驗(yàn)：許多癌癥患者因?yàn)榕R床試驗(yàn)匹配流程效率低下而錯(cuò)過了最佳治療機(jī)會(huì)。代理式AI可以自動(dòng)分析患者臨床特征，并系統(tǒng)地評(píng)估試驗(yàn)存儲(chǔ)庫中的資格標(biāo)準(zhǔn)。通過自動(dòng)化這一關(guān)鍵但勞動(dòng)密集的過程，代理式AI可以顯著改善患者獲得相關(guān)實(shí)驗(yàn)性治療的機(jī)會(huì)，同時(shí)減少醫(yī)生的工作量。這些基于代理的能力不應(yīng)旨在取代臨床醫(yī)生的判斷，而是增強(qiáng)它。通過自動(dòng)化繁瑣的任務(wù)，代理可以直接應(yīng)對(duì)關(guān)鍵的臨床挑戰(zhàn)：它們可以通過主動(dòng)尋找缺失數(shù)據(jù)來管理不完整的知識(shí)；通過將大量文獻(xiàn)和患者數(shù)據(jù)綜合為證據(jù)排序的選項(xiàng)來減少醫(yī)療不確定性；并為幫助解決臨床醫(yī)生之間的分歧提供一個(gè)客觀的、數(shù)據(jù)驅(qū)動(dòng)的基礎(chǔ)。理想情況下，這將使臨床醫(yī)生能夠?qū)⑵鋵�業(yè)知識(shí)和努力專注于高質(zhì)量的患者護(hù)理和復(fù)雜的倫理考量，最終監(jiān)督和責(zé)任仍牢牢掌握在人類手中。

-05-結(jié)語

我們預(yù)計(jì)癌癥研究和腫瘤學(xué)將在未來十年內(nèi)經(jīng)歷“代理化”，因此，研究人員和醫(yī)療專業(yè)人員以及我們的機(jī)構(gòu)需要為這一轉(zhuǎn)變做好準(zhǔn)備。代理式AI可以解決AI先前的一些局限性，包括AI系統(tǒng)對(duì)單一任務(wù)的有限關(guān)注，以及它們執(zhí)行行動(dòng)的能力。盡管在驗(yàn)證、監(jiān)管和整合方面仍存在挑戰(zhàn)，但朝著日益自主的AI協(xié)作伙伴發(fā)展的軌跡似乎是可行的，并有望提高科學(xué)和臨床操作的速度，最終有望加速通往科學(xué)發(fā)現(xiàn)和提供護(hù)理的道路。腫瘤學(xué)界面臨的問題不是代理式AI是否會(huì)改變我們的領(lǐng)域，而是我們將如何塑造它們的實(shí)施，以在確保安全性和保持對(duì)科學(xué)和護(hù)理都至關(guān)重要的人文要素的同時(shí)，最大化其益處。

參考文獻(xiàn)：

Artificial intelligence agents in cancer research and oncology. Nat Rev Cancer. 2026 Jan 12.

       原文標(biāo)題 : 未來已來：代理式人工智能在癌癥研究與腫瘤學(xué)中的應(yīng)用