🤖 AI

The Large Cancer Assistant (LCA): A Model-Agnostic Orchestration Framework for Scalable Clinical Decision Support in Oncology

De Large Cancer Assistant (LCA) is een model-agnostisch orchestratieframework dat de multimodale data-inname ontkoppelt van AI-inferentie via een gestandaardiseerde intermediaire payload, wat schaalbare, flexibele en foutbestendige klinische besluitvormingsondersteuning in de oncologie mogelijk maakt.

Oorspronkelijke auteurs: Ghassen Marrakchi, Basarab Matei

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ghassen Marrakchi, Basarab Matei

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een ziekenhuis voor als een enorme, chaotische keuken waar chefs (AI-modellen) proberen het perfecte gerecht (een kankerdiagnose) te bereiden voor een patiënt. Meestal is het probleem dat de keuken is gebouwd als een enkele, gigantische, rigide machine. Als je het recept wilt veranderen, moet je de hele machine herbouwen. Als een chef een specifiek ingrediënt nodig heeft dat ontbreekt, crasht de machine of geeft hij een fout antwoord zonder om hulp te vragen.

Het artikel introduceert een nieuwe manier om deze keuken te runnen, genaamd de Large Cancer Assistant (LCA). In plaats van een chef te zijn, is de LCA een supergeorganiseerde keukenmanager die niet kookt, maar ervoor zorgt dat de juiste ingrediënten bij de juiste chef terechtkomen en dat de definitieve bestelling perfect wordt opgeschreven.

Hier is hoe het werkt, onderverdeeld in eenvoudige concepten:

1. De "Black Box"-regel (Algoritmische Impermeabiliteit)

Beschouw de AI-modellen (de chefs) als afgesloten zwarte dozen. Je weet niet wat erin zit, en dat hoef je ook niet te weten.

De oude manier: De manager en de chef waren aan elkaar gelijmd. Als je de chef verving door een nieuwe, moest de hele keuken opnieuw bedraad worden.
De LCA-manier: De manager (LCA) behandelt de chef als een "black box". De manager regelt de papierwinkel, de routering en de veiligheidscontroles. Als je de chef vervangt door een andere, merkt de manager er niets van. De keuken blijft precies hetzelfde draaien. Dit wordt Algoritmische Impermeabiliteit genoemd — de manager is "impermeabel" (ondoordringbaar) voor veranderingen in de chef.

2. De Universele Vertaler (Entry Theory)

Patiënten brengen allerlei rommelige data mee: gigantische MRI-scans (zoals enorme kaarten), handgeschreven doktersnotities (zoals slordige brieven) en bloedtestcijfers (zoals spreadsheets).

De LCA-oplossing: De manager gebruikt een speciale vertaler genaamd Entry Theory. Het neemt deze totaal verschillende formaten en zet ze om in een standaard "taal" die de keuken kan begrijpen, zonder de werkelijke betekenis van de data te veranderen. Het is alsof je een Franse menukaart, een Duits recept en een Japanse schets neemt en ze allemaal omzet in één enkele, gestandaardiseerde lijst met ingrediënten, zodat de chef precies weet wat hij moet doen.

3. De Slimme Telefooncentrale (Cancer Switching Module)

Ziekenhuizen hebben te maken met veel soorten kanker (long-, borst-, huidkanker, etc.).

De oude manier: Je hebt misschien één machine voor longkanker en een totaal andere machine voor huidkanker.
De LCA-oplossing: De manager heeft een Slimme Telefooncentrale. Wanneer een patiënt binnenkomt, kijkt de manager naar de data en schakelt automatisch naar het juiste "protocol" (de juiste set regels voor die specifieke kanker). Het kan één patiënt of vele tegelijk afhandelen, en stuurt ze naar het juiste gespecialiseerde team zonder in de war te raken.

4. Het Veiligheidsnet (Failure Safety)

Wat gebeurt er als een patiënt een cruciale bloedtest mist, of de MRI wazig is?

De oude manier: Het systeem zou gokken, een verkeerde diagnose stellen, of geruisloos crashen.
De LCA-oplossing: Het systeem heeft een strikt Veiligheidsnet. Als een stuk data ontbreekt of defect is, gokt de manager niet. In plaats daarvan stopt hij onmiddellijk met die specifieke taak en stuurt een Supplementary Data Request (SDR) uit. Het is alsof de manager zegt: "Ik kan dit gerecht nog niet bereiden; ik heb eerst het zout nodig voordat ik verder ga." Dit zorgt ervoor dat het systeem nooit een gevaarlijke, stille fout geeft.

5. De Definitieve Envelop (Standardized Intermediate Payload)

Zodra de manager de diagnose en het behandelplan heeft verzameld, dumpt hij de data niet zomaar in de computer van het ziekenhuis (die morgen misschien van formaat verandert).

De LCA-oplossing: De manager plaatst alles in een speciale, verzegelde Standardized Intermediate Payload (SIP). Denk aan dit als een universele verzenddoos. In de doos zit een duidelijke samenvatting (een verhaal dat een arts kan lezen) en een lijst met verwijzingen naar de originele data.
Waarom dit belangrijk is: Omdat de doos gestandaardiseerd is, kan het computersysteem van het ziekenhuis deze openen, ongeacht welke software het gebruikt. Als het ziekenhuis volgend jaar van computersysteem verandert, hoeft de LCA niet te worden bijgewerkt; het blijft gewoon dezelfde soort dozen versturen.

Wat hebben ze bewezen?

De auteurs bouwden een "Proof of Concept" (een testversie) om te zien of deze manager daadwerkelijk werkt. Ze testten niet of de AI-artsen slim waren; ze testten of de manager goed kon organiseren.

Snelheid: De manager voegde bijna geen vertraging toe (minder dan een knipoog) aan het proces.
Vervanging: Ze vervingen de "chef" (het AI-model) door een totaal ander model, en de workflow van de manager veranderde helemaal niet.
Veiligheid: Wanneer ze het systeem voedingen met kapotte of ontbrekende data, identificeerde het systeem het probleem correct en vroeg het 100% van de tijd om de ontbrekende informatie, zonder ooit een foutief antwoord te geven.

Samenvatting

De Large Cancer Assistant is geen nieuwe AI die kanker diagnosticeert. Het is een nieuwe manier om te organiseren van de AI-tools die we al hebben. Het fungeert als een flexibele, op veiligheid gerichte manager die de datastroom in stand houdt, het systeem beschermt tegen breuken wanneer er dingen misgaan, en ervoor zorgt dat de computers van het ziekenhuis de resultaten altijd kunnen begrijpen, ongeacht welke AI-tools intern worden gebruikt.

Technische Samenvatting: De Large Cancer Assistant (LCA)

1. Probleemstelling

De integratie van Kunstmatige Intelligentie (AI) in de klinische oncologie wordt momenteel belemmerd door monolithische architecturale ontwerpen. Bestaande multimodale deep learning-systemen koppelen gegevensinvoer, klinische routeringslogica en AI-inferentie rigide aan elkaar in een enkele pijplijn. Deze koppeling creëert verschillende systemische beperkingen:

Onflexibiliteit: Modellen die getraind zijn voor specifieke taken (bijv. segmentatie van longnoduli) kunnen niet gemakkelijk worden aangepast aan verschillende anatomische profielen of omgaan met ontbrekende datamodaliteiten zonder catastrofaal falen.
Strakke Koppeling: De orchestratielogica is onlosmakelijk verbonden met specifieke neurale netwerkarchitecturen, wat modulaire updates of de vervanging van onderliggende AI-modellen verhindert zonder het hele systeem opnieuw te ontwerpen.
Real-time Beperkingen: Veel systemen zijn ontworend voor synchrone uitvoering, terwijl de klinische realiteit vaak vraagt om asynchrone, post-hoc synthese van gefragmenteerde patiëntgeschiedenissen.
Interoperabiliteitsbarrières: Directe integratie met Elektronische Medische Dossiers (EMD) koppelt de AI-kern vaak aan volatiele ziekenhuis-IT-infrastructuren (bijv. specifieke HL7 FHIR-versies of databaseschema's), waardoor het systeem fragiel wordt bij externe veranderingen.

Het artikel betoogt dat de primaire flessenhals in Clinical Decision Support Systems (CDSS) niet de optimalisatie van geïsoleerde algoritmen is, maar de systems engineering die vereist is om datageheterogeniteit en modulaire routering te beheren.

2. Methodologie

De auteurs stellen de Large Cancer Assistant (LCA) voor, een model-agnostisch orchestratiekader ontworpen om databeheer te ontkoppelen van AI-inferentie. De methodologie is gebaseerd op het principe van Algoritmische Impermeabiliteit, wat garandeert dat de orchestratielogica strikt onafhankelijk blijft van de onderliggende "black box" AI-modellen.

2.1. Wiskundige Formalisering

De LCA wordt gedefinieerd als een 7-tupel architectuur:
$LCA = (\mathcal{E}, \mathcal{P}, f_{DP}, f_{CS}, f_{LCD}, f_{LCR}, f_{LCW})$
Waarbij:

$\mathcal{E}$ : De inputruimte van patiëntgegevens.
$\mathcal{P}$ : Een catalogus van klinische protocollen.
$f_{DP}$ : De Data Preprocessing Module.
$f_{CS}$ : De Cancer Switching Module (Routing).
$f_{LCD}$ : De Large Cancer Diagnostic Module.
$f_{LCR}$ : De Large Cancer Remedy Module.
$f_{LCW}$ : De Large Cancer Wordings Module.

Het systeem werkt als een unidirectionele Directed Acyclic Graph (DAG), waarbij een gedeelde routeringscontext ( $\hat{P}$ ) door de modules wordt gepropageerd.

2.2. Entry Theory (Input Formalisering)

Om multimodale heterogeniteit aan te pakken, introduceren de auteurs Entry Theory, die patiëntgegevens formaliseert door structurele eigenschappen te ontkoppelen van klinische semantiek:

CS-as (Structureel): Gebaseerd op Geometric Deep Learning (GDL), wordt data gedefinieerd als een geometrisch signaal $x$ op een domein $(\Omega, \mathbb{G})$ , wat ruimtelijke data (CT/MRI), tekstuele data en tabelgegevens verenigt onder een gemeenschappelijke wiskundige representatie.
Medische As: Elke entry wordt aangevuld met een Medical Signature $\sigma = (\rho, u, \kappa)$ , waarbij $\rho$ de herkomst (provenance) is, $u$ het gebruik (usage) en $\kappa$ de epistemische zekerheid (epistemic certainty).
Onafhankelijkheid: De structurele as en de medische as zijn wiskundig onafhankelijk, waardoor het systeem diverse datatopologieën kan verwerken zonder hun klinische context te wijzigen.

2.3. Kernmodules

Data Preprocessing Module (DPM): Brengt ruwe heterogene inputs in kaart naar canonieke representaties op basis van herkomst ( $\rho$ ), waarbij de medische signature behouden blijft.
Cancer Switching Module (CSM): De centrale routeringsmotor. Deze ondersteunt twee varianten:
- V1 (Deterministisch): Routeert data op basis van expliciete, vooraf gedefinieerde parameters.
- V2 (Probabilistisch): Een autonome router die een geleerde functie gebruikt om relevante kankerprotocollen te detecteren op basis van betrouwbaarheidsscores (theoretisch gespecificeerd maar uitgesloten van de huidige Proof of Concept).
- Veiligheidsmechanisme: Als er geen protocol wordt geactiveerd, geeft de CSM een null-token ( $\perp$ ) af, waardoor de pijplijn wordt gestopt.
Abstract AI Modules (LCDM & LCRM): Deze modules instantiëren de diagnostische en therapeutische logica. Zij handhaven een strikt interfacecontract. Cruciaal is dat zij onderscheid maken tussen precondition failures (het uitgeven van $\perp$ ) en inference failures (het uitgeven van een CODE_FAIL), zodat de orchestratielaag robuust blijft, zelfs als het onderliggende AI-model intern faalt.
Large Cancer Wordings Module (LCWM): De terminale node die alle outputs aggregeert. Deze genereert een narratief in natuurlijke taal en beheert, cruciaal, Supplementary Data Requests (SDR) indien een upstream module faalt.

2.4. De Standardized Intermediate Payload (SIP)

De LCA produceert een Standardized Intermediate Payload (SIP), een propriëtaire JSON-structuur die fungeert als een strikte architecturale grens.

Ontkoppeling: De SIP bevat gestructureerde datareferenties (pointers naar externe ID's) in plaats van ruwe data, en sluit AI-modelidentiteiten (bijv. specifieke versies van neurale netwerken) expliciet uit om downstream-afhankelijkheden te voorkomen.
Foutveiligheid: De SIP-structuur maakt onderscheid tussen orchestratie-stops (die SDR's triggeren) en inferentiefouten, waardoor wordt gewaarborgd dat ontbrekende data resulteert in een gerichte aanvraag voor menselijke interventie in plaats van een stille fout.

3. Belangrijkste Bijdragen

Algoritmische Impermeabiliteit: Een formele garantie dat systeem-niveau orchestratieprojecties (routering, foutafhandeling, outputschema) invariant blijven onder de vervanging van onderliggende AI-modellen, mits aan de interfacecontracten wordt voldaan.
Entry Theory: Een nieuwe formalisering die gebruikmaakt van Geometric Deep Learning om multimodale klinische inputs te standaardiseren, wat zorgt voor wiskundige onafhankelijkheid tussen datatopologie en klinische herkomst.
Dual-Variant Routing: Een modulaire Cancer Switching Module die zowel deterministische parametrisering (V1) als autonome probabilistische detectie (V2) ondersteunt.
Architecturale Grens (SIP/SDR): De introductie van de SIP en een gestructureerde feedbackloop (SDR) die de AI-kern isoleert van volatiele EMD-infrastructuren en een "human-in-the-loop" veiligheidsmechanisme voor dataanomalieën afdwingt.

4. Resultaten (Proof of Concept)

De auteurs hebben het framework gevalideerd via een Proof of Concept (PoC) over vier technische scenario's, waarbij de focus lag op de orchestratiegedragingen in plaats van de klinische diagnostische nauwkeurigheid:

Nominaal Verloop: De pijplijn voltooide de volledige cyclus in 100% van de gevallen ( $N=10$ ) met een verwaarloosbare orchestratie-overhead (ca. 0,04 ms), wat bevestigt dat het systeem geen materiële latentie toevoegt vergeleken met typische 3D-inferentietijden.
Algoritmische Impermeabiliteit: Het framework verving succesvol twee architecturaal verschillende diagnostische stubs (U-Net stijl versus SegResNet stijl). De routeringsprojectie bleef 100% invariant ( $\pi$ -gelijkheid), terwijl de diagnostische inhoud verschilde, wat de Proposition 2 empirisch valideert.
Foutveiligheid:
- Modulefouten: In gevallen van gecorrumpeerde data of ontbrekende modaliteiten bereikte het systeem een 100% SDR-recall, waarbij de foutbron correct werd geïdentificeerd en een gerichte datavraag werd uitgegeven.
- Typeveiligheid: Ongeldige inputs (bijv. lege geschiedenis $T=0$ ) werden bij constructie met 100% nauwkeurigheid afgewezen, wat stille fouten voorkomt.
Multi-Protocol Executie: Het framework voerde succesvol twee onafhankelijke kankerprotocollen gelijktijdig uit zonder kruisbesmetting, wat de modulariteit van de architectuur valideert.

5. Betekenis en Claims

Het artikel positioneert de LCA niet als een nieuw diagnostisch model, maar als een systems engineering-oplossing voor de structurele tekortkomingen in de huidige implementatie van oncologische AI.

Modulariteit boven Monolieten: Door de ingestie te ontkoppelen van de inferentie, stelt de LCA de vervanging van AI-modellen mogelijk zonder de volledige klinische workflow opnieuw te hoeven valideren, een prestatie die onmogelijk is in monolithische fusie-architecturen.
Interoperabiliteitsgereedheid: De SIP vestigt een duidelijke grens die de AI-kern isoleert van downstream IT-volatiliteit. Wijzigingen in ziekenhuisdatabases of interoperabiliteitsstandaarden (bijv. HL7 FHIR) vereisen geen aanpassingen aan de upstream LCA-modules.
Safety by Design: Het framework dwingt een beleid van "geen stille fouten" af. Ontbrekend of ongeldig bewijs stopt systematisch de pijplijn en triggert een gerichte aanvraag voor menselijke interventie, wat aansluit bij de veiligheidsprincipes voor Clinical Decision Support Systems.
Schaalbaarheid: De architectuur is ontworpen om kanker-agnostisch en protocol-generiek te zijn, in staat om op te schalen naar meerdere pathologische pijplijnen zonder rigide koppeling aan specifieke kankertypes.

De auteurs concluderen dat de LCA een fundamenteel, aanpasbaar orchestratielaag biedt die een "kritiek vacuüm" in de huidige oncologische informatica aanpakt: het gebrek aan een mechanisme om de multimodale dataingestie structureel te ontkoppelen van deep learning-inferentie. Toekomstig werk is gericht op de onafhankelijke vertaling van de SIP naar HL7 FHIR-standaarden en de empirische validatie van de probabilistische routeringsvariant (V2).