-01-

引言

癌癥研究與腫瘤學(xué)是高度復(fù)雜的科學(xué)領(lǐng)域，具有重大的社會影響，并對人類專業(yè)知識有強烈的需求。在癌癥研究中，需要人類的創(chuàng)造力來提出新的假設(shè)和想法，以理解癌癥的分子和細胞過程，并最終嘗試影響這些過程以治療或治愈疾病。

癌癥研究者的日常工作包括掌握眾多復(fù)雜的多步驟工作流程。其中一些涉及實驗室的物理活動，但許多并不需要與物理環(huán)境互動。癌癥研究者所做的很大一部分是智力活動，只需要與計算機軟件交互。此類任務(wù)如查閱科學(xué)文獻、閱讀科學(xué)新聞文章、審閱實驗數(shù)據(jù)或?qū)��?shù)字數(shù)據(jù)進行生物信息學(xué)分析。有些任務(wù)甚至延伸到設(shè)計分子結(jié)構(gòu)，隨后通過計算方法進行評估。與癌癥研究類似，腫瘤學(xué)的臨床實踐也涉及由訓(xùn)練有素的人類專家執(zhí)行的過程：閱讀和理解臨床試驗結(jié)果、進行跨學(xué)科腫瘤委員會的討論、將治療指南與個體患者特征相匹配、確定合適的臨床試驗以及向患者傳達復(fù)雜信息，這些都是智力或溝通任務(wù)。

如果我們能使用計算機程序來執(zhí)行癌癥研究者和腫瘤學(xué)家所做的許多單一任務(wù)，會怎樣？代理式AI恰恰可以實現(xiàn)這一點。代理式AI是（半）自主系統(tǒng)，能夠感知、學(xué)習并作用于其環(huán)境，因此可以執(zhí)行以前需要人類專業(yè)知識的認知任務(wù)。特別是基于大型語言模型（LLM）的新范式，其中LLM作為核心推理引擎。在非醫(yī)學(xué)領(lǐng)域，擁有多樣化工具集的基于LLM的代理式AI已經(jīng)在顛覆多個行業(yè)。軟件工程、旅行預(yù)訂、客戶支持以及許多其他任務(wù)現(xiàn)在可以部分或完全由代理式AI自動化。最近，代理式AI也已成為醫(yī)療健康和生物醫(yī)學(xué)研究界討論的焦點。商業(yè)部門已經(jīng)開始大規(guī)模投資于基于代理的研發(fā)工具，用于研究管線。這包括為代理式AI應(yīng)用提供沃土的藥物研究。在研究領(lǐng)域內(nèi)，AI系統(tǒng)可以持續(xù)掃描數(shù)千篇新的研究出版物，識別人類研究者可能忽略的跨研究新興模式，設(shè)計計算實驗來測試新假設(shè)，為新型療法生成潛在的分子結(jié)構(gòu)，并提供全面的患者數(shù)據(jù)分析以確定最佳治療方法，所有這些都可以基于人類的一個高級提示持續(xù)運行。

與此同時，醫(yī)院系統(tǒng)越來越多地尋求使用代理式AI來自動協(xié)助復(fù)雜任務(wù)，例如優(yōu)化腫瘤學(xué)的診斷流程。此類系統(tǒng)可以在預(yù)約前準備全面的患者簡報，根據(jù)最新證據(jù)和遺傳標記建議個性化治療方案，從全球數(shù)據(jù)庫中識別合適的臨床試驗，甚至起草根據(jù)個體健康素養(yǎng)水平定制的患者溝通材料，理想情況下讓腫瘤學(xué)家能夠?qū)Ｗ⒂谧o理的人文方面和復(fù)雜的決策制定。截至2025年，這些能力已不再是“科幻小說”，因為技術(shù)基礎(chǔ)已經(jīng)存在，并且展示其成功實施的概念驗證研究已經(jīng)發(fā)表。

-02-

一、從大型語言模型到代理式AI

大型語言模型的崛起

強大的代理式AI的出現(xiàn)得益于LLM的發(fā)展。自2010年代末以來，自然語言處理算法取得了巨大進步。受到Transformer架構(gòu)發(fā)明的推動，加之模型架構(gòu)、訓(xùn)練數(shù)據(jù)集和訓(xùn)練硬件的大規(guī)模擴展，LLM已成為任何NLP任務(wù)（即任何涉及語言理解或創(chuàng)造的任務(wù)）的先進技術(shù)。從2020年起，LLM席卷了世界。由OpenAI于2020年發(fā)布的LLM生成式預(yù)訓(xùn)練Transformer-3，首次展示了其能力中意想不到的涌現(xiàn)行為，它表現(xiàn)出了驚人的原創(chuàng)性。隨后的LLM，例如ChatGPT的GPT-3.5，進一步擴展了這些能力。隨后多家商業(yè)和非商業(yè)實體為這個生態(tài)系統(tǒng)做出了貢獻：Anthropic的Claude模型、Meta的Llama系列、Google的Gemini和Gemma、Mistral AI的模型以及中國的DeepSeek及其DeepSeek v3，都做出了實質(zhì)性貢獻。這些模型在包括競爭性編程在內(nèi)的復(fù)雜基準任務(wù)上達到了越來越類人的能力。

推理模型

一項特別相關(guān)且改進了LLM的進展，是2024年和2025年“推理模型”的發(fā)展。第一個突出的例子是OpenAI于2024年底推出的模型o1。另一個值得注意的進展是DeepSeek R1的出現(xiàn)，它成為第一個具有與專有替代方案相當能力的開源推理模型。隨著來自主要AI實驗室的更多推理模型的出現(xiàn)，該領(lǐng)域迅速擴展，包括Google的專門Gemini推理變體（如Gemini 2.0 Flash Thinking）、xAI的Grok 3和Anthropic的Claude 3.7模型。這些模型可以有方法地處理多步驟物理問題，其中一些向用戶展示其內(nèi)部推理，使每個計算可見并解釋指導(dǎo)其響應(yīng)的基本原理。

然而，這些推理過程所需的計算資源和時間意味著它們通常不適合許多日常任務(wù)，例如簡單的事實查詢或直接的文本生成。這導(dǎo)致了“混合”方法的出現(xiàn)，其中AI平臺動態(tài)決定是使用標準模型進行即時響應(yīng)，還是使用推理模型處理復(fù)雜問題。在臨床應(yīng)用中，這樣的混合系統(tǒng)可能會立即提供標準的藥物劑量信息，但在分析具有多種合并癥和藥物相互作用的復(fù)雜患者病例時，則會啟動推理能力。

另一個有趣的發(fā)展是潛在推理模型的興起，其中推理過程完全發(fā)生在模型的內(nèi)部表征中，而不是生成明確的逐步標記。這些模型可能提供了兩全其美的優(yōu)勢：推理的徹底性與直接回答的效率和簡潔性。這種方法有效地將推理范式整合到模型的基本架構(gòu)本身中，代表了AI系統(tǒng)解決問題方式的轉(zhuǎn)變，從模式匹配轉(zhuǎn)向更接近于深思熟慮的思考。

代理式AI與多代理系統(tǒng)

盡管能力令人印象深刻，但當前的LLM面臨一個根本性的限制：它們無法原生地與環(huán)境交互。相比之下，代理式AI是配備了訪問外部信息源和與軟件系統(tǒng)接口能力的LLM。許多現(xiàn)實世界的問題解決任務(wù)需要最新信息或超出模型靜態(tài)訓(xùn)練數(shù)據(jù)的動態(tài)交互。例如，協(xié)助癌癥治療規(guī)劃的AI系統(tǒng)必須能夠檢索最新的臨床試驗結(jié)果和更新的治療指南——這些資源可能在模型訓(xùn)練截止日期之后才發(fā)布。此外，有效的決策通常依賴于通過外部工具采取行動的能力。在商業(yè)環(huán)境中，這可能意味著不僅要連接到航空訂票系統(tǒng)以識別最優(yōu)惠票價，還要完成預(yù)訂。在醫(yī)療健康領(lǐng)域，這種轉(zhuǎn)變可能涉及從僅僅為患者建議實驗室檢測，轉(zhuǎn)變?yōu)閷嶋H在電子健康記錄（EHR）系統(tǒng)中下達訂單。同樣，推薦臨床試驗的模型可以更進一步，自動檢查患者的資格并啟動試驗入組流程。

代理的實現(xiàn)非常容易。在最基本的層面，它們是LLM和工具在簡單腳本中鏈接在一起的組合。代理核心的LLM并不嚴格需要任何特定的訓(xùn)練。LLM可以開箱即用，因為它們已經(jīng)具備推理能力。通過簡單地提供適當?shù)奶崾静⒏嬷�它們可用的工具，LLM就可以有效地使用這些工具。為了改進這一點，也可以專門訓(xùn)練LLM以使用工具，從而在代理工作流程中表現(xiàn)更好。如今，許多通用LLM也接受了代理工具使用的訓(xùn)練。

代理式AI可以相互連接，形成“多代理系統(tǒng)”。一個LLM將其輸出饋送到另一個LLM的實例是這種系統(tǒng)最簡單的實現(xiàn)。最早的基于LLM的多代理系統(tǒng)之一是BabyAGI，這是一個在2023年出現(xiàn)的病毒式GitHub倉庫，實現(xiàn)非常精簡。最近，多代理系統(tǒng)被概念化為多個LLM協(xié)同工作。在這樣的多代理系統(tǒng)中，每個LLM可以潛在地服務(wù)于不同的功能，或代表（或角色扮演）特定的視角。例如，在癌癥研究背景下，一個代理可能扮演分子生物學(xué)家的角色，另一個扮演臨床腫瘤學(xué)家，第三個則作為生物統(tǒng)計學(xué)家。每個代理都將其專業(yè)視角帶入問題，它們可以像人類協(xié)作研究團隊一樣辯論和完善方法。在臨床背景下，多代理系統(tǒng)可以被概念化用于復(fù)雜任務(wù)，例如模擬腫瘤委員會。然而，目前尚不清楚執(zhí)行復(fù)雜任務(wù)是否嚴格需要多代理系統(tǒng)，或者它們的所有功能是否可以在一個基于LLM的單一代理中體現(xiàn)。

-03-

二、代理式AI在癌癥研究中的應(yīng)用

最近對代理式AI的研究展示了它們在生物醫(yī)學(xué)研究中的使用概念驗證。這些研究表明，傳統(tǒng)上需要人類專業(yè)知識的復(fù)雜任務(wù)級聯(lián)自動化是可行的。盡管前幾代AI系統(tǒng)局限于孤立的任務(wù)，如分類和預(yù)測，但生物醫(yī)學(xué)代理式AI可以整合多個步驟，如文獻綜述、數(shù)據(jù)分析和實驗設(shè)計。代理式AI的應(yīng)用在生物醫(yī)學(xué)數(shù)據(jù)科學(xué)中尤為先進，通常人類研究者使用計算工具來詢問數(shù)據(jù)集。這種與計算工具的人類交互可以由代理單獨或與人類一起執(zhí)行。然而，研究工作流的代理化遠不止數(shù)據(jù)分析，例如最近實現(xiàn)的基于聊天的基因表達數(shù)據(jù)探索模型，并且涵蓋了廣泛的人類研究活動。

任何研究項目的第一步都是構(gòu)思。這項任務(wù)傳統(tǒng)上遠在AI工具的能力范圍之外，但嵌入在代理式AI中的LLM使其可能得以解決。諸如ResearchAgent和BioDiscoveryAgent等框架代表了基于LLM的系統(tǒng)，一旦由用戶提示，可以通過綜合科學(xué)文獻和數(shù)據(jù)集中的知識，自主生成新的研究問題和潛在假設(shè)，而無需逐步的人工指導(dǎo)。原則上，此類系統(tǒng)可以以更大的自主性部署，持續(xù)監(jiān)控新出版物，并主動識別現(xiàn)有研究中的空白，而無需等待人類提示。一旦形成研究想法，就必須有效地設(shè)計實驗。如上文提到的BioDiscoveryAgent等基于LLM的代理，旨在基于生成的假設(shè)協(xié)助規(guī)劃復(fù)雜的生物實驗。其他代理如Coscientist則例證了AI如何自主規(guī)劃和執(zhí)行計算實驗，包括與腫瘤學(xué)相關(guān)的藥物設(shè)計過程。

通過整合這些構(gòu)思和執(zhí)行功能，代理式AI可以自動化整個研究工作流。迄今為止，多項概念驗證研究表明（半）自主研究代理系統(tǒng)是可以實現(xiàn)的：例如，Agent Laboratory旨在實現(xiàn)從文獻分析到發(fā)表的通用研究流程自動化。類似地，虛擬實驗室概念提出了一個框架，其中AI驅(qū)動的“首席研究員”協(xié)調(diào)一個由專業(yè)代理式AI組成的協(xié)作團隊，每個代理體現(xiàn)不同的專業(yè)知識，如化學(xué)、生物學(xué)或計算科學(xué)，作為一個多代理團隊一起工作。該系統(tǒng)應(yīng)用于用例，并展示了成功設(shè)計和驗證針對新出現(xiàn)的嚴重急性呼吸綜合征冠狀病毒2變體的新型納米抗體療法。最終，這些發(fā)展預(yù)示著能夠獨立管理整個研究生命周期——包括假設(shè)生成、實驗設(shè)計與執(zhí)行、數(shù)據(jù)分析和手稿撰寫——的完全自主的“AI科學(xué)家”的出現(xiàn)。

即使是最初的框架也在迅速發(fā)展，值得注意的是，商業(yè)開發(fā)的系統(tǒng)AI Scientist-v2最近產(chǎn)生了一篇完全由AI生成的手稿，并成功通過同行評審，在一個科學(xué)研討會上發(fā)表。未來，此類自主AI系統(tǒng)可能從根本上改變我們進行研究的方式。既然這項技術(shù)是可行的，就需要回答新的問題：在代理可以執(zhí)行一些重復(fù)性任務(wù)的世界中，我們?nèi)绾蝺?yōu)化科學(xué)發(fā)現(xiàn)？人類特質(zhì)如好奇心、創(chuàng)造力或毅力的作用是什么？盡管AI研究代理取得了令人印象深刻的進步，但仍需要證據(jù)證明它們能夠在不依賴至少來自人類思維的創(chuàng)造性火花的情況下，產(chǎn)生真正新的研究成果。

-04-

三、代理式AI在腫瘤學(xué)中的應(yīng)用

與研究應(yīng)用并行，代理式AI的一個自然延伸在于腫瘤學(xué)的臨床實踐，其中決策經(jīng)常依賴于綜合來自多個來源的數(shù)據(jù)。一個突出的例子是多學(xué)科腫瘤委員會，人類專家團隊在其中協(xié)作確定癌癥患者的最佳治療方案，并將此推薦提供給患者。原則上，此類工作流程可以很好地由基于LLM的代理式AI處理。盡管截至2025年，尚無代理式AI系統(tǒng)正式整合到常規(guī)腫瘤學(xué)實踐中，但已發(fā)表了幾項經(jīng)過嚴格驗證的概念驗證研究，并且學(xué)術(shù)和商業(yè)界對該領(lǐng)域的興趣正在迅速增長。臨床代理的工具任何現(xiàn)代AI技術(shù)應(yīng)用于臨床環(huán)境的一個關(guān)鍵擔憂是幻覺風險，即AI系統(tǒng)捏造或錯誤的輸出。盡管在現(xiàn)代AI系統(tǒng)中，明確定義和已驗證任務(wù)中的幻覺正變得越來越少，但在某些領(lǐng)域仍然非常成問題。其中一個有問題的領(lǐng)域是數(shù)值和算術(shù)推理，這是癌癥研究和腫瘤學(xué)的關(guān)鍵。即使是簡單的臨床任務(wù)，例如比較治療前和治療后的腫瘤大小或計算劑量，也需要高準確性和可靠性，而LLM有時會在這里出錯。研究表明，通過為LLM配備外部計算工具，如編寫和執(zhí)行代碼的能力，或集成專門的計算器如OpenMedCalc，可以顯著提高LLM在此類任務(wù)上的表現(xiàn)。代理式AI的定義是一個能夠訪問工具的推理系統(tǒng)——因此，配備計算器的LLM系統(tǒng)是一個具有明確效用的基本代理系統(tǒng)。另一個最近的研究引入了RiskAgent，這是一個專門設(shè)計的系統(tǒng)，用于在超過387個風險場景中執(zhí)行醫(yī)療風險預(yù)測，涵蓋心血管疾病和癌癥等多種疾病。RiskAgent并非依賴需要大量計算資源的廣泛微調(diào)，而是利用其推理能力，在評估醫(yī)療風險時訪問數(shù)百種現(xiàn)有的臨床決策工具和基于證據(jù)的風險計算器。除了計算器，一系列額外的工具可以進一步增強代理性能。這些包括訪問醫(yī)療指南和證據(jù)庫、放射學(xué)圖像處理模型以及結(jié)構(gòu)化的臨床數(shù)據(jù)庫。因此，臨床代理式AI的整體效用部分取決于其可訪問工具的廣度和質(zhì)量——這在腫瘤學(xué)中尤為重要。臨床推理代理幾個研究小組已經(jīng)開發(fā)了完全集成的平臺，將推理能力（如思維鏈推理）與工具使用相結(jié)合，以支持復(fù)雜的臨床決策。其中一個系統(tǒng)是TxAgent，旨在通過多步推理和實時訪問生物醫(yī)學(xué)知識，為癌癥治療提供個體化推薦。它從一個稱為工具宇宙的集合中訪問工具，使其能夠綜合跨分子、藥代動力學(xué)和臨床水平的數(shù)據(jù)，考慮藥物相互作用、禁忌癥以及患者特定的變量，如年齡、遺傳標記和合并癥。在驗證研究中，TxAgent展示了生成精確、個性化治療計劃的能力，優(yōu)于標準LLM。相鄰的醫(yī)學(xué)領(lǐng)域也探索了代理式AI在結(jié)構(gòu)化臨床決策中的應(yīng)用。一個值得注意的例子是研究“房間里的代理式AI”，該研究使用多代理框架模擬了肝移植選擇委員會。在此設(shè)置中，不同的LLM承擔了�？平巧�——肝病學(xué)、外科、心臟病學(xué)和社會工作——以模擬多學(xué)科評估過程。這些代理實現(xiàn)了高診斷性能，能夠可靠地識別禁忌癥，并以高準確度預(yù)測生存獲益。醫(yī)學(xué)領(lǐng)域也出現(xiàn)了更多多代理診斷框架的例子，例如MedAgent-Pro，它雖然不是癌癥特異性的，但展示了適用于腫瘤學(xué)應(yīng)用的可轉(zhuǎn)移原則。對話代理代理式AI在臨床環(huán)境中部署的關(guān)鍵在于其進行上下文感知對話的能力。理想情況下，此類系統(tǒng)將與患者和醫(yī)療專業(yè)人員互動。因此，它們不僅必須處理復(fù)雜的醫(yī)療信息，還必須以同理心和有效的方式行動。其中一個系統(tǒng)，最近由Google發(fā)布，被稱為清晰醫(yī)療智能探索者。它在與患者和醫(yī)生進行多輪對話的同時，持續(xù)更新其對患者病例的內(nèi)部表征。當信息缺失時，AMIE會主動詢問，并有策略地引導(dǎo)后續(xù)問題以完成對患者的評估�；颊吆歪t(yī)生不僅可以以臨床文檔PDF的形式輸入數(shù)據(jù)，還可以在現(xiàn)實環(huán)境中提供文檔，例如智能手機拍攝的病變或心電圖打印輸出照片。AMIE的一個突出特點是其使用長上下文推理能力，能夠查閱100份或更多的患者管理指南PDF。與患者和醫(yī)療專業(yè)人員在現(xiàn)實情況下進行對話，是代理系統(tǒng)區(qū)別于傳統(tǒng)深度學(xué)習系統(tǒng)的核心優(yōu)勢。 診斷與治療規(guī)劃最終，代理式AI需要支持醫(yī)療專業(yè)人員完成做出最終診斷和決定治療的核心任務(wù)。前述的AMIE一旦決定已收集到足夠信息，就會提供診斷。在一項涉及25名患者演員的基于聊天的咨詢隨機雙盲研究中，AMIE在基于患者和醫(yī)生提供的數(shù)據(jù)做出診斷方面，始終表現(xiàn)相當或優(yōu)于初級保健醫(yī)生。一旦確定診斷和潛在的鑒別診斷，下一步就是決定治療。在腫瘤學(xué)中，這通常意味著篩選大量信息。代理憑借其使用迭代搜索等工具的能力，非常適合支持臨床醫(yī)生完成這項耗時的任務(wù)：它們可以為個體患者提出基于證據(jù)的治療計劃，同時在推理過程中納入最新的臨床指南和文獻。它們甚至可以幫助尋找正在積極招募的臨床試驗：許多癌癥患者因為臨床試驗匹配流程效率低下而錯過了最佳治療機會。代理式AI可以自動分析患者臨床特征，并系統(tǒng)地評估試驗存儲庫中的資格標準。通過自動化這一關(guān)鍵但勞動密集的過程，代理式AI可以顯著改善患者獲得相關(guān)實驗性治療的機會，同時減少醫(yī)生的工作量。這些基于代理的能力不應(yīng)旨在取代臨床醫(yī)生的判斷，而是增強它。通過自動化繁瑣的任務(wù)，代理可以直接應(yīng)對關(guān)鍵的臨床挑戰(zhàn)：它們可以通過主動尋找缺失數(shù)據(jù)來管理不完整的知識；通過將大量文獻和患者數(shù)據(jù)綜合為證據(jù)排序的選項來減少醫(yī)療不確定性；并為幫助解決臨床醫(yī)生之間的分歧提供一個客觀的、數(shù)據(jù)驅(qū)動的基礎(chǔ)。理想情況下，這將使臨床醫(yī)生能夠?qū)⑵鋵�業(yè)知識和努力專注于高質(zhì)量的患者護理和復(fù)雜的倫理考量，最終監(jiān)督和責任仍牢牢掌握在人類手中。

-05-結(jié)語

我們預(yù)計癌癥研究和腫瘤學(xué)將在未來十年內(nèi)經(jīng)歷“代理化”，因此，研究人員和醫(yī)療專業(yè)人員以及我們的機構(gòu)需要為這一轉(zhuǎn)變做好準備。代理式AI可以解決AI先前的一些局限性，包括AI系統(tǒng)對單一任務(wù)的有限關(guān)注，以及它們執(zhí)行行動的能力。盡管在驗證、監(jiān)管和整合方面仍存在挑戰(zhàn)，但朝著日益自主的AI協(xié)作伙伴發(fā)展的軌跡似乎是可行的，并有望提高科學(xué)和臨床操作的速度，最終有望加速通往科學(xué)發(fā)現(xiàn)和提供護理的道路。腫瘤學(xué)界面臨的問題不是代理式AI是否會改變我們的領(lǐng)域，而是我們將如何塑造它們的實施，以在確保安全性和保持對科學(xué)和護理都至關(guān)重要的人文要素的同時，最大化其益處。

參考文獻：

Artificial intelligence agents in cancer research and oncology. Nat Rev Cancer. 2026 Jan 12.

       原文標題 : 未來已來：代理式人工智能在癌癥研究與腫瘤學(xué)中的應(yīng)用