PathWISE: Multi-Agent Cancer Pathway Triaging Ontology Learning from Clinical Flowcharts
PathWISE 是一个多智能体流水线，它通过将基于大语言模型的提取与确定性图审计及编译器验证相结合，将不可计算的临床癌症路径流程图转化为经过验证的可执行 HL7 CQL 库，从而在确保 100% 语法成功的同时，在不产生幻觉的前提下揭示治理缺口。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，将一家医院的癌症护理计划视为挂在墙上的一张巨大、色彩斑斓的流程图。它包含箭头、方框、红色与蓝色以及粗体文字。对于人类医生而言，这张图表是一张完美的地图：“如果患者出现症状 A（红色方框），则向左转；如果出现症状 B（粗体文字），则向右转。”
但对于计算机来说，这张图表却是一个谜。计算机无法“看到”红色背景意味着“紧急”，也无法理解粗箭头意味着“接下来执行此操作”。它们只能读取文本。这就产生了一个鸿沟：医生拥有地图，但本可协助自动化护理的计算机系统却对此视而不见。
PathWISE 是一款旨在弥合这一鸿沟的新工具。你可以将其想象为一个由五台 specialized 机器人组成的团队，它们协同工作，将那张墙上的图表翻译成计算机能够实际执行的代码。
以下是该团队逐步工作的流程：
1. “鹰眼”翻译器（视觉解析）
首先，一台拥有“超级视觉”的机器人会审视流程图图像。它不仅读取文字，还会注意颜色、形状以及箭头的方向。它将杂乱的图片转化为干净、结构化的数字地图（图），使计算机能够理解。例如，它知道即使红色方框和白色方框内的文字相同，它们也是不同的。
2. “交通控制器”（确定性审计）
接下来，一台严格遵循规则的机器人会处理那张数字地图。它不进行猜测，而是利用数学方法追踪患者从开始到结束可能采取的每一条路径。它统计路线、检查死胡同，并确保地图在逻辑上是合理的。这一部分完全是确定性的，意味着它绝不会犯错或“幻觉”出新的路径。
3. “语法警察”（语义审计）
现在，团队检查地图上的指令是否真的能被计算机执行。有些指令很模糊，例如“如果患者感觉非常不适则进行治疗”。计算机无法衡量“非常”。这台机器人会标记这些模糊之处。它将它们标记为“需要人工审查”，而不是试图猜测医生的意图。它将清晰、计算机友好的规则与模糊、需要人类判断的规则区分开来。
4. “代码构建者”与“严格检查员”（CQL 生成与验证）
这是 PathWISE 最独特的部分。
- 构建者：一台富有创造力的机器人根据地图编写实际的计算机代码（称为 CQL）。
- 严格检查员：PathWISE 不使用另一台机器人来检查工作，而是使用一个真实的官方编译器（一种检查代码错误的工具）作为检查员。如果构建者犯了错误或编造了虚假的医疗代码，检查员会立即指出：“错误！请修正。”构建者会不断尝试，直到代码通过检查员的测试。这确保了最终代码完美无缺，没有任何虚构的医学术语。
5. “配送员”（部署）
最后，经过验证的代码被打包成一项服务，可直接插入医院的电子健康记录系统中。当医生打开患者档案时，该系统会弹出一个卡片，显示：“根据流程图，下一步是……"或者“由于图表模糊，我们需要人工来决定这一部分。”
他们实际上做了什么？
研究人员在英国国家医疗服务体系（NHS）实际使用的五条癌症路径上测试了该系统：分别针对皮肤癌、肺癌、乳腺癌、结直肠癌和上消化道癌。
- 成功率：该系统成功将所有五张视觉图表转化为可运行的计算机代码。
- 发现缺陷：它在原始图表中发现了数百个“治理问题”，例如模糊的语言或人类可能忽略的矛盾之处。
- 安全性：它从未编造虚假的医疗代码。如果它不理解某个术语，它会将其标记出来供人工检查，而不是进行猜测。
- “混合”优胜者：他们尝试了不同的人工智能模型组合。最佳结果来自一个“混合”团队：一个擅长阅读图片的模型（Gemini）和另一个擅长编写代码的模型（Claude）。
核心结论
PathWISE 并非要取代医生。相反，它充当翻译，将静态、视觉化的医院指南转化为动态、可运行的计算机工具。它将人工智能的“猜测”部分严格限制在早期起草阶段，并利用严密的数学和官方代码检查器来确保最终结果是安全、准确且准备好协助医生做出决策的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。