使用检索增强模型选择框架的队列感知智能体用于个体化肺癌风险预测
机器学习
2025-08-27 v2
摘要
由于患者群体和临床环境之间存在显著差异，准确的肺癌风险预测仍然具有挑战性——没有单一模型能在所有队列上表现最佳。为了解决这一问题，我们提出了一种个体化肺癌风险预测智能体，它通过结合队列特定知识与现代检索和推理技术，为每位患者动态选择最合适的模型。给定患者的 CT 扫描和结构化元数据——包括人口统计学、临床和结节级特征——该智能体首先使用基于 FAISS 的相似性搜索在九个多样化的真实世界队列中进行队列检索，以从多机构数据库中识别最相关的患者群体。其次，使用检索到的队列及其相关性能指标提示 Large Language Model (LLM)，从包含八个代表性模型的模型池中推荐最佳预测算法，这些模型包括经典线性风险模型（如 Mayo、Brock）、时间感知模型（如 TD-VIT、DLSTM）和多模态计算机视觉方法（如 Liao、Sybil、DLS、DLI）。这种两阶段智能体流水线——通过 FAISS 检索和通过 LLM 推理——实现了根据每位患者特征定制的动态、队列感知风险预测。基于此架构，该智能体支持跨不同临床人群的灵活且队列驱动的模型选择，为现实世界肺癌筛查中的个体化风险评估提供了一条实用路径。
引用
@article{arxiv.2508.14940,
title = {Cohort-Aware Agents for Individualized Lung Cancer Risk Prediction Using a Retrieval-Augmented Model Selection Framework},
author = {Chongyu Qu and Allen J. Luna and Thomas Z. Li and Junchao Zhu and Junlin Guo and Juming Xiong and Kim L. Sandler and Bennett A. Landman and Yuankai Huo},
journal= {arXiv preprint arXiv:2508.14940},
year = {2025}
}