TheraAgent：面向 PET 核医学的自演化记忆与证据校准推理多智能体框架
人工智能
2026-03-17 v1
摘要
PET 核医学正在改变精密肿瘤学，但治疗反应差异很大；许多接受 177Lu-PSMA 放射性药物治疗 (RLT) 的转移性去雄激素前列腺癌 (mCRPC) 患者未作出反应，亟需可靠的治疗前预测。虽然基于大语言模型的智能体在复杂医疗诊断中显示出巨大潜力，但其在 PET 核医学结果预测中的应用尚未探索，这面临三个关键挑战：(1) 数据和知识稀缺：RLT 仅于 2022 年获 FDA 批准，导致训练案例稀少且通用大语言模型中缺乏足够的领域知识；(2) 异构信息集成：健壮预测依赖于从 PET/CT、实验室检测和免疫文本临床文档中提取结构化知识；(3) 证据导向推理：临床决策必须基于试验证据，而非大语言模型的幻觉。在本文中，我们提出了TheraAgent，据称是首个用于 PET 核医学的智能体框架，包含三个核心创新：(1) 多专家特征提取与置信度加权共识，其中三个专门专家以不确定性定量处理异构输入；(2) 自演化智能体记忆 (SEA-Mem)，从积累的案例中学习预后模式，实现来自有限数据的案例推理；(3) 证据校准推理，将整合精选的核医学知识库，以将预测锚定在 VISION/TheraP 试验证据中。在 35 名真实患者和 400 例合成案例中，TheraAgent 在真实患者上的整体准确率为 75.7%，在合成案例上的准确率为 87.0%，超越 MDAgents 和 MedAgent-Pro 超过 20%。这些结果凸显了可信赖的 PET 核医学 AI 智能体的前景，为基于试验校准的多源决策支持提供了蓝图。代码将在接受后公开。
引用
@article{arxiv.2603.13676,
title = {TheraAgent: Multi-Agent Framework with Self-Evolving Memory and Evidence-Calibrated Reasoning for PET Theranostics},
author = {Zhihao Chen and Jiahui Wang and Yizhou Chen and Xiaozhong Ji and Xiaobin Hu and Jimin Hong and Wolfram Andreas Bosbach and Axel Rominger and Ali Afshar-Oromieh and Hongming Shan and Kuangyu Shi},
journal= {arXiv preprint arXiv:2603.13676},
year = {2026}
}