Исследователи представили SAGEAgent — адаптивную агентную систему для прогнозирования выживаемости пациентов, которая оптимизирует выбор диагностических данных. Вместо обязательного сбора всех видов анализов, агент последовательно запрашивает только те модальности, которые критически важны для точности прогноза, что позволяет снизить финансовые и временные затраты на медицинское обследование без потери качества диагностики.
В современной клинической онкологии мультимодальные модели часто требуют полного набора данных, включая дорогостоящее геномное профилирование и сложные визуализации. SAGEAgent использует подход самообучающегося агента, который оценивает «стоимость» получения каждой новой порции данных. Система динамически определяет, достаточно ли текущей информации для постановки точного прогноза или необходимо проведение дополнительных инвазивных или высокозатратных процедур.
Архитектура агента основана на принципах обучения с подкреплением, где агент получает штрафы за избыточные диагностические шаги. Это позволяет автоматизировать процесс принятия решений в клинических условиях, минимизируя нагрузку на систему здравоохранения и пациента. Модель демонстрирует высокую эффективность в сценариях, где доступ к полному спектру медицинских данных ограничен или экономически нецелесообразен.
Ключевые факты
- SAGEAgent минимизирует затраты на сбор данных, выбирая только необходимые модальности для прогнозирования выживаемости.
- Система учитывает иерархию сложности медицинских данных: от базовых демографических показателей до сложного геномного анализа.
- Агент обучается по принципу минимизации «стоимости» диагностики при сохранении заданной точности предсказаний.
- Метод направлен на решение проблемы избыточных медицинских обследований в мультимодальных клинических исследованиях.