EndoGov：面向子宫内膜癌风险分层的知识治理多智能体专家系统
多智能体系统
2026-04-28 v1
摘要
子宫内膜癌（EC）风险分层的多模态人工智能模型通常针对整体预测性能进行优化，但提供的机制有限，难以强制执行指南方针性覆盖，如将POLE突变肿瘤即使形态学高分化仍归入低风险组。我们提出EndoGov，一种两层多智能体专家系统，将决策过程分解为D(x) = G(P(x), R)，其中专家智能体P从冻结基础模型特征或结构化记录中提取结构化证据，治理智能体G应用可执行规则集R。第一层包括病理、分子和临床智能体，独立生成受模式约束的报告。第二层查询以证据加权的指南知识图谱，针对高优先级覆盖使用确定性硬路径规则，针对模糊情况采用受约束的软路径推理。在TCGA-UCEC（n=541）中，EndoGov实现了0.943的准确率、0.973的宏AUC，并在触发暴露案例中达到0.93%的条件逻辑违规率。在CPTAC-UCEC（n=95）中，其中参考标签为指南派生，EndoGov达到0.842的准确率，显著优于锁定迁移神经基线的<0.31，支持治理路径在分布迁移下的可移植性而非针对独立临床真相的验证。端到端安全分解定位残余失败主要来自上游分子检测而非下游治理。后端置换实验进一步表明，硬路径合规性对LLM后端保持不变。这些发现表明，显式临床规则治理可在保持竞争性辨别能力的同时，为指南合规、可审计的EC风险分配提供可能。
引用
@article{arxiv.2604.23802,
title = {EndoGov: A knowledge-governed multi-agent expert system for endometrial cancer risk stratification},
author = {Weiye Dai and Liyun Shi and Zanxiang He and Yuling Ma and Mengyuan Lin and Dianxiang Sun and Liming Nie},
journal= {arXiv preprint arXiv:2604.23802},
year = {2026}
}