TheraAgent: 자기 진화 메모리와 증거 기반 추론을 갖춘 다중 에이전트 프레임워크를 활용한 PET 치료 진단

TheraAgent: Multi-Agent Framework with Self-Evolving Memory and Evidence-Calibrated Reasoning for PET Theranostics

PET 치료 진단은 정밀 종양 치료에 혁신을 가져오고 있지만, 치료 반응은 상당한 차이를 보입니다. 전이성 거세 저항성 전립선암(mCRPC) 환자에게 177Lu-PSMA 방사성 리간드 치료(RLT)를 받는 많은 환자들이 효과를 보지 못하며, 이는 신뢰할 수 있는 치료 전 예측의 필요성을 강조합니다. LLM 기반 에이전트는 복잡한 의료 진단에서 놀라운 잠재력을 보여주었지만, 이를 PET 치료 진단 결과 예측에 적용하는 것은 아직 탐구되지 않았으며, 다음과 같은 세 가지 주요 과제를 안고 있습니다. (1) 데이터 및 지식 부족: RLT는 2022년에 FDA의 승인을 받은 이후, 훈련 데이터가 제한적이며, 일반적인 LLM에서는 충분한 전문 지식이 부족합니다. (2) 이질적인 정보 통합: 강력한 예측은 PET/CT 이미지, 실험실 검사 및 자유 텍스트 임상 기록에서 구조화된 지식을 추출하는 데 달려 있습니다. (3) 증거 기반 추론: 임상 결정은 LLM의 환각이 아닌 임상 시험 증거에 근거해야 합니다. 본 논문에서는 PET 치료 진단을 위한 최초의 에이전트 기반 프레임워크인 TheraAgent를 소개합니다. TheraAgent는 다음과 같은 세 가지 핵심 혁신을 가지고 있습니다. (1) 신뢰도 가중 합의를 통한 다중 전문가 특징 추출: 세 개의 전문 에이전트가 불확실성 정량화를 통해 다양한 입력을 처리합니다. (2) 자기 진화 에이전트 메모리(SEA-Mem): 축적된 사례로부터 예후 패턴을 학습하여 제한된 데이터에서 사례 기반 추론을 가능하게 합니다. (3) 증거 기반 추론: 선별된 치료 진단 지식 기반을 통합하여 예측을 VISION/TheraP 임상 시험 증거에 기반하도록 합니다. 실제 35명의 환자와 400개의 합성 사례를 사용하여 평가한 결과, TheraAgent는 실제 환자에서 75.7%의 전반적인 정확도를, 합성 사례에서 87.0%의 정확도를 달성했으며, 이는 MDAgents 및 MedAgent-Pro보다 20% 이상 높은 성능입니다. 이러한 결과는 PET 치료 진단 분야에서 신뢰할 수 있는 AI 에이전트를 위한 유망한 청사진을 제시하며, 임상 시험에 기반한 다중 소스 의사 결정 지원을 가능하게 합니다. 논문 게재 후 코드를 공개할 예정입니다.

PET theranostics is transforming precision oncology, yet treatment response varies substantially; many patients receiving 177Lu-PSMA radioligand therapy (RLT) for metastatic castration-resistant prostate cancer (mCRPC) fail to respond, demanding reliable pre-therapy prediction. While LLM-based agents have shown remarkable potential in complex medical diagnosis, their application to PET theranostic outcome prediction remains unexplored, which faces three key challenges: (1) data and knowledge scarcity: RLT was only FDA-approved in 2022, yielding few training cases and insufficient domain knowledge in general LLMs; (2) heterogeneous information integration: robust prediction hinges on structured knowledge extraction from PET/CT, laboratory tests, and free-text clinical documentation; (3) evidence-grounded reasoning: clinical decisions must be anchored in trial evidence rather than LLM hallucinations. In this paper, we present TheraAgent, to our knowledge, the first agentic framework for PET theranostics, with three core innovations: (1) Multi-Expert Feature Extraction with Confidence-Weighted Consensus, where three specialized experts process heterogeneous inputs with uncertainty quantification; (2) Self-Evolving Agentic Memory (SEA-Mem), which learns prognostic patterns from accumulated cases, enabling case-based reasoning from limited data; (3) Evidence-Calibrated Reasoning, integrating a curated theranostics knowledge base to ground predictions in VISION/TheraP trial evidence. Evaluated on 35 real patients and 400 synthetic cases, TheraAgent achieves 75.7% overall accuracy on real patients and 87.0% on synthetic cases, outperforming MDAgents and MedAgent-Pro by over 20%. These results highlight a promising blueprint for trustworthy AI agents in PET theranostics, enabling trial-calibrated, multi-source decision support. Code will be released upon acceptance.