AI Agents for Multimodal Oncology Diagnosis: Toward Transparent and Traceable Clinical Decision Support.

چکیده اصلی

Cancer diagnosis depends on data from radiology, digital pathology, molecular profiling, laboratory testing, and longitudinal clinical records. AI performs well in selected tasks, but most systems remain narrow and disconnected from the iterative reasoning required in oncology. This Viewpoint defines an AI agent as a feedback-driven system that maintains task state, selects among governed tools, observes results, and revises its plan under explicit safety constraints. This definition separates agents from multimodal foundation models, retrieval-augmented generation, and fixed workflow automation. We organize the discussion across multimodal data collection, preprocessing, fusion and representation learning, and diagnostic decision support. We distinguished agent-level evidence, component- or infrastructure-level evidence, and prospective propositions throughout. Clinical translation will require resilient failure handling, guideline version control, prospective evaluation, computational and workflow feasibility, and clinician authority over final decisions. The near-term opportunity is therefore transparent and traceable clinical decision support rather than autonomous cancer diagnosis.

ترجمه فارسی چکیده

تشخیص سرطان به داده‌های رادیولوژی، پاتولوژی دیجیتال، پروفایل‌سازی مولکولی، آزمایش‌های آزمایشگاهی و سوابق بالینی طولانی‌مدت وابسته است. هوش مصنوعی در برخی تسک‌های خاص عملکرد خوبی دارد، اما اکثر سیستم‌ها همچنان محدود و از استدلال تکرارشونده مورد نیاز در سرطان جدا هستند. این دیدگاه عامل هوش مصنوعی را به عنوان یک سیستم مبتنی بر بازخورد تعریف می‌کند که وضعیت تسک را حفظ می‌کند، بین ابزارهای تحت کنترل انتخاب می‌کند، نتایج را مشاهده می‌کند و تحت محدودیت‌های صریح ایمنی، برنامه خود را اصلاح می‌کند. این تعریف عامل‌ها را از مدل‌های پایه چندوجهی، تولید تقویت‌شده با بازیابی و اتوماسیون جریان کار ثابت جدا می‌کند. بحث ما را در زمینه جمع‌آوری، پیش‌پردازش، ادغام و یادگیری نمایندگی داده‌های چندوجهی و پشتیبانی تصمیم‌گیری تشخیصی سازماندهی می‌کنیم. ما در طول بحث، شواهد سطح عامل، شواهد سطح مولفه یا زیرساخت و پیشنهادات آتی را متمایز می‌کنیم. ترجمه بالینی نیازمند مدیریت موفقیت در مواقع شکست، کنترل نسخه راهنماها، ارزیابی آتی، قابلیت‌های محاسباتی و جریان کار و اختیار پزشکان بر تصمیمات نهایی است. بنابراین فرصت کوتاه‌مدت، پشتیبانی تصمیم‌گیری بالینی شفاف و قابل ردیابی است، نه تشخیص خودکار سرطان.

متن کامل اصلی