大型癌症助手（LCA）：一种面向肿瘤学可扩展临床决策支持的模型无关编排框架

arXiv cs.AI 论文
cancer clinical-decision-support orchestration-framework multimodal oncology geometric-deep-learning

摘要

本文介绍了大型癌症助手（LCA），这是一种模型无关的编排框架，用于肿瘤学中的可扩展临床决策支持。该框架通过七元组架构和算法不可渗透性，将多模态数据摄入与AI推理解耦。

arXiv:2607.06531v1 公告类型：新 摘要：- 目标：当前肿瘤学中的多模态深度学习模型受限于单片设计，这种设计将数据摄入、临床路由和人工智能（AI）推理紧密耦合。为解决这一僵化问题，我们提出了大型癌症助手（LCA），这是一种模型无关、事后编排的框架，旨在实现可扩展的临床决策支持。 - 方法：LCA在数学上形式化为一个七元组架构，基于算法不可渗透性原则，确保编排逻辑严格独立于底层黑箱AI模型。我们引入了入口理论，利用几何深度学习（GDL）沿着不同的结构和医学轴标准化多模态患者数据。该系统通过癌症切换模块动态编排数据，并通过输出标准化中间载荷（SIP）有意将核心AI执行与不稳定的医院IT基础设施隔离开来。 - 结果：一个概念验证（PoC）在四个技术场景中验证了编排逻辑。该框架以可忽略的编排开销执行了一个名义流程。它通过在对AI模型进行交换时保持不变的路线投影，经验性地证明了算法的不可渗透性，并通过在注入数据异常下实现100%的召回率生成目标补充数据请求（SDR），验证了严格的故障安全性。多协议执行能力也得到成功验证。 - 结论：通过从结构上解耦多模态摄入与特征推理，LCA提供了一个高度适应性和模块化的编排基础。SIP建立了一个清晰的架构边界，自然地为实现下游电子病历（EMR）互操作性奠定了独立未来范式的基础。
查看原文
查看缓存全文

缓存时间: 2026/07/08 04:40 

# 大型癌症助手（LCA）：一种模型无关的可编排框架，用于肿瘤学可扩展临床决策支持  
来源：https://arxiv.org/abs/2607.06531  
查看 PDF（https://arxiv.org/pdf/2607.06531）  

> 摘要：  
\- 目标：肿瘤学中的多模态深度学习模型目前受限于单体架构设计，这种设计将数据摄入、临床路由和人工智能（AI）推理刚性耦合。为解决这一僵化问题，我们提出大型癌症助手（LCA），一种模型无关的事后编排框架，旨在实现可扩展的临床决策支持。  
\- 方法：LCA 在数学上形式化为一个基于“算法不可渗透性”原则的 7 元组架构，确保编排逻辑严格独立于底层黑盒 AI 模型。我们引入入口理论，利用几何深度学习（GDL）沿着不同的结构轴和医学轴标准化多模态患者数据。系统通过癌症切换模块动态编排数据，并通过输出标准化中间载荷（SIP）有意识地将核心 AI 执行与易变的医院 IT 基础设施隔离。  
\- 结果：概念验证（PoC）在四个技术场景中验证了编排逻辑。该框架以可忽略的编排开销执行了一个标称流程。它通过实证展示了算法不可渗透性——在 AI 模型切换期间保持不变的路由映射，并通过在注入数据异常的情况下实现 100% 的召回率（生成针对性补充数据请求（SDR））验证了严格的故障安全性。多协议执行能力也得到成功验证。  
\- 结论：通过结构性地将多模态摄入与特征推理解耦，LCA 提供了一个高度适应性和模块化的编排基础。SIP 建立了清晰的架构边界，天然为下游电子病历（EMR）互操作性作为独立未来范式奠定了基础。

## 提交历史

来自：Ghassen Marrakchi [查看邮件（https://arxiv.org/show-email/34fdcce0/2607.06531）] **\[v1\]**  
2026年7月7日（星期二）17:38:47 UTC（1,051 KB）

相似文章

用于乳腺癌治疗推荐的自主系统

arXiv cs.CL

评估了利用72个临床案例生成乳腺癌治疗推荐的自主LLM系统，发现最佳系统（采用D&C+SA流程的Claude Opus 4.8）的全局得分为0.594，但由于持续存在的错误，尚不足以用于无监督临床使用。

基于数字孪生模拟的治疗响应优化临床决策支持AI系统

arXiv cs.AI

本文提出了一种在线自适应的临床决策支持AI系统，该系统整合了治疗效果估计、数字孪生模拟和强化学习，以在安全、临床医生监督的方式下推荐治疗方案，并在合成模拟器和TCGA卵巢癌数据集上进行了验证。

大语言模型在代理式临床推理中的信息寻求失败

arXiv cs.AI

本文为血液肿瘤学中的临床推理开发了一个代理式评估框架，发现大语言模型的主要失败原因在于系统性的信息寻求缺陷，而非知识不足，其错误模式类似于新手临床医生的认知偏差。