PathWISE：基于临床流程图的多智能体癌症通路分诊本体学习
计算机视觉与模式识别
2026-05-26 v1
摘要
临床路径以可视化流程图形式传播，其中空间拓扑、箭头方向、颜色编码和字体粗细编码了关键分诊逻辑，这些逻辑对计算系统而言是不可访问的。我们提出 PathWISE，一种由四个 LLM-based 智能体、确定性深度优先搜索审计员和 Java 编译器批评者组成的五阶段管道，将这些非可计算制品转化为经过验证的、可在 HL7 Clinical Quality Language（CQL）中部署为 FHIR CDS Hooks 服务的可执行库。专为提取流程图结构而设计的智能体将其转化为类型化有向图，执行确定性路径枚举，对每个节点的可计算性进行结构化语义审计，生成经术语约束的 CQL 定义并通过官方 Java CQL-to-ELM 编译器验证，最终产生覆盖所有枚举患者旅程的路由逻辑。我们在五个 UK NHS 癌症路径（结直肠、肺、皮肤、上腹 GI 和乳腺）上进行了演示，PathWISE 审计最多 183 个节点（混合配置下 182 个），发现 544 项结构化治理发现（涉及四个问题类别），实现 100% 的语法编译成功，未计算节点接收虚假占位符以保持可编译性，同时揭示了治理差距供临床审查；且对字典覆盖概念产生零幻觉术语代码。关键在于，PathWISE 将非确定性 LLM 推理局限于知识提取，而确定性图数学和标准编译器支撑每一步验证。
引用
@article{arxiv.2605.25970,
title = {PathWISE: Multi-Agent Cancer Pathway Triaging Ontology Learning from Clinical Flowcharts},
author = {Sofiat Abioye and Ufaq Khan and Shazad Ashraf and Mohammed Adil Butt and Andrew D. Beggs and Adam Byfield and Anusha Jose and William Poulett and Ben Wallace and Junaid Qadir and Muhammad Bilal},
journal= {arXiv preprint arXiv:2605.25970},
year = {2026}
}
备注
13 pages, 4 figures