Agentic systems in computational pathology: architectures, evidence, and translational challenges.

چکیده اصلی

BACKGROUND: Digital pathology supports whole-slide imaging, remote review, and computational analysis. Most pathology AI systems, however, remain restricted to predefined tasks. Agentic architectures coordinate perception models, language-based reasoning, external tools, and feedback-dependent actions, but their clinical evidence is derived mainly from retrospective benchmarks and research prototypes. MAIN BODY: We review agentic systems in computational pathology using an operational taxonomy based on dynamic control flow, inference-time tool selection, and knowledge integration. We assess architectures, enabling technologies, and applications in diagnosis, prognosis, and therapeutic support. Reported gains are difficult to attribute to agentic organization because studies differ in backbones, training data, and inference budgets. We therefore emphasize validation scope, computational cost, workflow integration, hallucination and security risks, regulatory requirements, patient preferences, and the conditions under which specialist non-agentic models remain preferable. CONCLUSIONS: Agentic architectures have established technical feasibility, but not clinical benefit. Translation should prioritize verifiable tasks, matched comparisons, prospective and external validation, lifecycle governance, and interfaces that preserve pathologist oversight.

ترجمه فارسی چکیده

پاتولوژی دیجیتال از تصویربرداری اسلاید کامل، بازبینی از راه دور و تحلیل محاسباتی پشتیبانی می‌کند. اکثر سیستم‌های هوش مصنوعی پاتولوژی همچنان به وظایف از پیش تعریف شده محدود هستند. معماری‌های عامل، مدل‌های ادراکی، استدلال مبتنی بر زبان، ابزارهای خارجی و اقدامات وابسته به بازخورد را هماهنگ می‌کنند، اما شواهد بالینی آن‌ها عمدتاً از بازآزمایی‌های پس‌رونده و پروتوتایپ‌های تحقیقاتی استخراج شده است. ما معماری‌های عامل در پاتولوژی محاسباتی را با استفاده از یک طبقه‌بندی عملیاتی مبتنی بر جریان کنترل پویا، انتخاب ابزار در زمان استنتاج و ادغام دانش بررسی می‌کنیم. سهم‌های گزارش شده دشوار است که به سازمان‌دهی عامل نسبت داده شود، زیرا مطالعات در مورد هسته‌ها، داده‌های آموزشی و بودجه‌های استنتاج متفاوت هستند. ما بنابراین بر محدوده اعتبارسنجی، هزینه محاسباتی، ادغام در جریان کار، ریسوم‌ها و خطرات امنیتی، الزامات نظارتی، ترجیحات بیماران و شرایطی که در آن مدل‌های تخصصی غیرعامل همچنان ترجیح داده می‌شوند، تأکید می‌کنیم. معماری‌های عامل فنی امکان‌پذیری را تأیید کرده‌اند، اما مزیت بالینی را. ترجمه باید وظایف قابل تأیید، مقایسه‌های متناسب، اعتبارسنجی پیش‌رونده و خارجی، حاکمیت چرخه عمر و رابط‌هایی که نظارت پاتولوژیست را حفظ می‌کنند را اولویت دهد.

متن کامل اصلی