引言

癌癥研究與腫瘤學是高度復雜的科學領域，具有重大的社會影響，并對人類專業知識有強烈的需求。在癌癥研究中，需要人類的創造力來提出新的假設和想法，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。此類任務如查閱科學文獻、閱讀科學新聞文章、審閱實驗數據或對數字數據進行生物信息學分析。有些任務甚至延伸到設計分子結構，隨后通過計算方法進行評估。與癌癥研究類似，腫瘤學的臨床實踐也涉及由訓練有素的人類專家執行的過程：閱讀和理解臨床試驗結果、進行跨學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雜信息，這些都是智力或溝通任務。

如果我們能使用計算機程序來執行癌癥研究者和腫瘤學家所做的許多單一任務，會怎樣？代理式AI恰恰可以實現這一點。代理式AI是（半）自主系統，能夠感知、學習并作用于其環境，因此可以執行以前需要人類專業知識的認知任務。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。在非醫學領域，擁有多樣化工具集的基于LLM的代理式AI已經在顛覆多個行業。軟件工程、旅行預訂、客戶支持以及許多其他任務現在可以部分或完全由代理式AI自動化。最近，代理式AI也已成為醫療健康和生物醫學研究界討論的焦點。商業部門已經開始大規模投資于基于代理的研發工具，用于研究管線。這包括為代理式AI應用提供沃土的藥物研究。在研究領域內，AI系統可以持續掃描數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，設計計算實驗來測試新假設，為新型療法生成潛在的分子結構，并提供全面的患者數據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運行。

與此同時，醫院系統越來越多地尋求使用代理式AI來自動協助復雜任務，例如優化腫瘤學的診斷流程。此類系統可以在預約前準備全面的患者簡報，根據最新證據和遺傳標記建議個性化治療方案，從全球數據庫中識別合適的臨床試驗，甚至起草根據個體健康素養水平定制的患者溝通材料，理想情況下讓腫瘤學家能夠專注于護理的人文方面和復雜的決策制定。截至2025年，這些能力已不再是“科幻小說”，因為技術基礎已經存在，并且展示其成功實施的概念驗證研究已經發表。

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的出現得益于LLM的發展。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架構發明的推動，加之模型架構、訓練數據集和訓練硬件的大規模擴展，LLM已成為任何NLP任務（即任何涉及語言理解或創造的任務）的先進技術。從2020年起，LLM席卷了世界。由OpenAI于2020年發布的LLM生成式預訓練Transformer-3，首次展示了其能力中意想不到的涌現行為，它表現出了驚人的原創性。隨后的LLM，例如ChatGPT的GPT-3.5，進一步擴展了這些能力。隨后多家商業和非商業實體為這個生態系統做出了貢獻：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，都做出了實質性貢獻。這些模型在包括競爭性編程在內的復雜基準任務上達到了越來越類人的能力。

推理模型

一項特別相關且改進了LLM的進展，是2024年和2025年“推理模型”的發展。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，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，該領域迅速擴展，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部推理，使每個計算可見并解釋指導其響應的基本原理。

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，例如簡單的事實查詢或直接的文本生成。這導致了“混合”方法的出現，其中AI平臺動態決定是使用標準模型進行即時響應，還是使用推理模型處理復雜問題。在臨床應用中，這樣的混合系統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雜患者病例時，則會啟動推理能力。

另一個有趣的發展是潛在推理模型的興起，其中推理過程完全發生在模型的內部表征中，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本身中，代表了AI系統解決問題方式的轉變，從模式匹配轉向更接近于深思熟慮的思考。

代理式AI與多代理系統

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接口能力的LLM。許多現實世界的問題解決任務需要最新信息或超出模型靜態訓練數據的動態交互。例如，協助癌癥治療規劃的AI系統必須能夠檢索最新的臨床試驗結果和更新的治療指南——這些資源可能在模型訓練截止日期之后才發布。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。在商業環境中，這可能意味著不僅要連接到航空訂票系統以識別最優惠票價，還要完成預訂。在醫療健康領域，這種轉變可能涉及從僅僅為患者建議實驗室檢測，轉變為實際在電子健康記錄（EHR）系統中下達訂單。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練。LLM可以開箱即用，因為它們已經具備推理能力。通過簡單地提供適當的提示并告知它們可用的工具，LLM就可以有效地使用這些工具。為了改進這一點，也可以專門訓練LLM以使用工具，從而在代理工作流程中表現更好。如今，許多通用LLM也接受了代理工具使用的訓練。

代理式AI可以相互連接，形成“多代理系統”。一個LLM將其輸出饋送到另一個LLM的實例是這種系統最簡單的實現。最早的基于LLM的多代理系統之一是BabyAGI，這是一個在2023年出現的病毒式GitHub倉庫，實現非常精簡。最近，多代理系統被概念化為多個LLM協同工作。在這樣的多代理系統中，每個LLM可以潛在地服務于不同的功能，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家的角色，另一個扮演臨床腫瘤學家，第三個則作為生物統計學家。每個代理都將其專業視角帶入問題，它們可以像人類協作研究團隊一樣辯論和完善方法。在臨床背景下，多代理系統可以被概念化用于復雜任務，例如模擬腫瘤委員會。然而，目前尚不清楚執行復雜任務是否嚴格需要多代理系統，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。

二、代理式AI在癌癥研究中的應用

最近對代理式AI的研究展示了它們在生物醫學研究中的使用概念驗證。這些研究表明，傳統上需要人類專業知識的復雜任務級聯自動化是可行的。盡管前幾代AI系統局限于孤立的任務，如分類和預測，但生物醫學代理式AI可以整合多個步驟，如文獻綜述、數據分析和實驗設計。代理式AI的應用在生物醫學數據科學中尤為先進，通常人類研究者使用計算工具來詢問數據集。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行。然而，研究工作流的代理化遠不止數據分析，例如最近實現的基于聊天的基因表達數據探索模型，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思。這項任務傳統上遠在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，一旦由用戶提示，可以通過綜合科學文獻和數據集中的知識，自主生成新的研究問題和潛在假設，而無需逐步的人工指導。原則上，此類系統可以以更大的自主性部署，持續監控新出版物，并主動識別現有研究中的空白，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協助規劃復雜的生物實驗。其他代理如Coscientist則例證了AI如何自主規劃和執行計算實驗，包括與腫瘤學相關的藥物設計過程。

通過整合這些構思和執行功能，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）自主研究代理系統是可以實現的：例如，Agent Laboratory旨在實現從文獻分析到發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驅動的“首席研究員”協調一個由專業代理式AI組成的協作團隊，每個代理體現不同的專業知識，如化學、生物學或計算科學，作為一個多代理團隊一起工作。該系統應用于用例，并展示了成功設計和驗證針對新出現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，這些發展預示著能夠獨立管理整個研究生命周期——包括假設生成、實驗設計與執行、數據分析和手稿撰寫——的完全自主的“AI科學家”的出現。

即使是最初的框架也在迅速發展，值得注意的是，商業開發的系統AI Scientist-v2最近產生了一篇完全由AI生成的手稿，并成功通過同行評審，在一個科學研討會上發表。未來，此類自主AI系統可能從根本上改變我們進行研究的方式。既然這項技術是可行的，就需要回答新的問題：在代理可以執行一些重復性任務的世界中，我們如何優化科學發現？人類特質如好奇心、創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，但仍需要證據證明它們能夠在不依賴至少來自人類思維的創造性火花的情況下，產生真正新的研究成果。

-04-
三、代理式AI在腫瘤學中的應用

與研究應用并行，代理式 AI 的一個自然延伸在于腫瘤學的臨床實踐，其中決策經常依賴于綜合來自多個來源的數據。一個突出的例子是多學科腫瘤委員會，人類專家團隊在其中協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 系統正式整合到常規腫瘤學實踐中，但已發表了幾項經過嚴格驗證的概念驗證研究，并且學術和商業界對該領域的興趣正在迅速增長。

臨床代理的工具

任何現代 AI 技術應用于臨床環境的一個關鍵擔憂是幻覺風險，即 AI 系統捏造或錯誤的輸出。盡管在現代 AI 系統中，明確定義和已驗證任務中的幻覺正變得越來越少，但在某些領域仍然非常成問題。其中一個有問題的領域是數值和算術推理，這是癌癥研究和腫瘤學的關鍵。即使是簡單的臨床任務，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 在此類任務上的表現。代理式 AI 的定義是一個能夠訪問工具的推理系統——因此，配備計算器的 LLM 系統是一個具有明確效用的基本代理系統。

另一個最近的研究引入了 RiskAgent ，這是一個專門設計的系統，用于在超過 387 個風險場景中執行醫療風險預測，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，而是利用其推理能力，在評估醫療風險時訪問數百種現有的臨床決策工具和基于證據的風險計算器。除了計算器，一系列額外的工具可以進一步增強代理性能。這些包括訪問醫療指南和證據庫、放射學圖像處理模型以及結構化的臨床數據庫。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量——這在腫瘤學中尤為重要。

臨床推理代理

幾個研究小組已經開發了完全集成的平臺，將推理能力（如思維鏈推理）與工具使用相結合，以支持復雜的臨床決策。其中一個系統是 TxAgent ，旨在通過多步推理和實時訪問生物醫學知識，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、藥代動力學和臨床水平的數據，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，優于標準 LLM 。

相鄰的醫學領域也探索了代理式 AI 在結構化臨床決策中的應用。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。在此設置中，不同的 LLM 承擔了專科角色——肝病學、外科、心臟病學和社會工作——以模擬多學科評估過程。

這些代理實現了高診斷性能，能夠可靠地識別禁忌癥，并以高準確度預測生存獲益。醫學領域也出現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應用的可轉移原則。

對話代理

代理式 AI 在臨床環境中部署的關鍵在于其進行上下文感知對話的能力。理想情況下，此類系統將與患者和醫療專業人員互動。因此，它們不僅必須處理復雜的醫療信息，還必須以同理心和有效的方式行動。其中一個系統，最近由 Google 發布，被稱為清晰醫療智能探索者。它在與患者和醫生進行多輪對話的同時，持續更新其對患者病例的內部表征。當信息缺失時， AMIE 會主動詢問，并有策略地引導后續問題以完成對患者的評估。患者和醫生不僅可以以臨床文檔 PDF 的形式輸入數據，還可以在現實環境中提供文檔，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 。與患者和醫療專業人員在現實情況下進行對話，是代理系統區別于傳統深度學習系統的核心優勢。

診斷與治療規劃

最終，代理式 AI 需要支持醫療專業人員完成做出最終診斷和決定治療的核心任務。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 在基于患者和醫生提供的數據做出診斷方面，始終表現相當或優于初級保健醫生。

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生完成這項耗時的任務：它們可以為個體患者提出基于證據的治療計劃，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，并系統地評估試驗存儲庫中的資格標準。通過自動化這一關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實驗性治療的機會，同時減少醫生的工作量。

這些基于代理的能力不應旨在取代臨床醫生的判斷，而是增強它。通過自動化繁瑣的任務，代理可以直接應對關鍵的臨床挑戰：它們可以通過主動尋找缺失數據來管理不完整的知識；通過將大量文獻和患者數據綜合為證據排序的選項來減少醫療不確定性；并為幫助解決臨床醫生之間的分歧提供一個客觀的、數據驅動的基礎。理想情況下，這將使臨床醫生能夠將其專業知識和努力專注于高質量的患者護理和復雜的倫理考量，最終監督和責任仍牢牢掌握在人類手中。

-05-

結語

我們預計癌癥研究和腫瘤學將在未來十年內經歷“代理化”，因此，研究人員和醫療專業人員以及我們的機構需要為這一轉變做好準備。代理式AI可以解決AI先前的一些局限性，包括AI系統對單一任務的有限關注，以及它們執行行動的能力。盡管在驗證、監管和整合方面仍存在挑戰，但朝著日益自主的AI協作伙伴發展的軌跡似乎是可行的，并有望提高科學和臨床操作的速度，最終有望加速通往科學發現和提供護理的道路。腫瘤學界面臨的問題不是代理式AI是否會改變我們的領域，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和護理都至關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.

以上直播課和PPT均可在知識星球中免費下載，掃描下方二維碼加入“小藥說藥知識文庫”的知識星球

公眾號已建立“小藥說藥專業交流群”微信行業交流群以及讀者交流群，掃描下方小編二維碼加入，入行業群請主動告知姓名、工作單位和職務。