oncology

论文评估了一个可配置的多智能体系统（nMAS），用于从碎片化的临床文档中提取结构化的肿瘤学数据，与基线模型相比取得了高性能。

本文介绍了肿瘤决策边界基准，并评估了九个前沿大语言模型，发现在遵循指南的肿瘤决策制定中存在系统性盲区，表明单个模型不能作为临床决策的唯一依据。

MultiSigBERT 是一种用于肿瘤学生存分析的新型多模态框架，它采用路径签名变换来整合电子健康记录数据，以提升风险预测效果。

病毒学家Beata Halassy用实验室制备的病毒自行治疗了她复发的乳腺癌，实现了缓解，并将她的研究转向了溶瘤病毒疗法。

DoGMA 是一种中心法则引导的泛癌多组学分析基础模型，采用 Transformer-MoE 架构，通过定向注意力对齐 DNA-RNA-蛋白质信息流，并利用掩码层次组学重构进行预训练。它在癌症表征学习、生存预测和转移预测任务中均表现出强劲性能。

介绍了OncoTriad-QA，一个整合放射学、病理学、基因组学和临床数据的患者级基准，用于泛癌推理；同时介绍了OncoVLM，一个参考多模态模型，在微调后性能优于现有的医学大语言模型。

Microsoft Research与Broad Institute在Dana-Farber Cancer Institute的支持下，合作开展Project Ex Vivo，利用AI更好地理解癌细胞状态，推动精准肿瘤学发展。

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。

SAGEAgent 是一种基于LLM的临床智能体，它依次决定为癌症患者获取哪些诊断模态，以平衡预测准确性与临床侵入性，在将获取负担降低55%的同时，保持具有竞争力的生存预测性能。

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。

埃里克·托波尔在ASCO大会上强调，随机试验报告了针对两种最致命癌症的巨大进展。

Daraxonrasib 在 ASCO 上获得起立鼓掌，作为 Revolution Medicines 对抗胰腺癌的突破性成果，受到超过4万名肿瘤学家、企业家、投资者和患者倡导者的庆祝。

本文提出了一种面向部署的压力测试框架，用于评估大型语言模型在识别乳腺癌放疗副作用方面的表现。该研究揭示了LLM在可靠性方面的局限性，例如对文档细微变化的敏感性以及对罕见副作用的低召回率，表明以临床医生整理的清单为输出依据可提高鲁棒性。

一项新研究提出，利用人工智能分析肿瘤的空间组织、免疫定位和信号环境，将肿瘤视为有组织的生态系统而非随机突变。

FD-NL2SQL是一个反馈驱动的自然语言转SQL系统，专门用于临床肿瘤学数据库，通过临床医生编辑和基于逻辑的SQL增强实现持续学习。该系统将自然语言问题分解为谓词，检索专家验证的范例，并综合可执行的SQL，具备持续学习能力。