Nature系列綜述：AI智能體重塑癌癥研究與治療

編譯丨王聰

編輯丨王多魚

排版丨水成文

自 2022 年以來，人工智能（AI）方法的發展已遠超出其傳統的數據分類和預測能力。大語言模型（LLM）具備邏輯推理能力，這使得它們能夠規劃和協調復雜的工作流程。通過運用這種規劃能力，并具備對環境采取行動的功能，大語言模型可以作為智能體（Agent）運行。智能體是能夠感知、學習并作用于環境的自主/半自主系統。因此，它們可以與外部知識或外部軟件交互，并在最少甚至無需人工輸入的情況下執行系列任務。

在癌癥研究和腫瘤學領域，AI 智能體能力的證據正在快速涌現。從自主優化藥物設計開發，到為臨床病例提出治療策略，AI 智能體能夠處理以往 AI 系統無法解決的復雜多步驟問題。

然而，盡管發展迅速，許多轉化和臨床癌癥研究人員仍對 AI 智能體的確切能力、局限性以及相關倫理或監管框架缺乏清晰認識。

2026 年 1 月 12 日，德累斯頓工業大學、亞琛工業大學、谷歌 DeepMind、斯坦福大學、西班牙拉斐健康研究所及哈佛大學醫學院的研究人員在 Nature 旗下綜述期刊Nature Reviews Cancer上發表了題為：Artificial intelligence agents in cancer research and oncology 的研究論文。

該綜述為癌癥研究人員和腫瘤學家提供了AI 智能體的入門指南，作者們闡釋了 AI 智能體如何區別于傳統 AI 系統并實現超越，還探討了 AI 智能體在癌癥研究中現有的和新興的應用，并從學術、臨床和工業研究的視角探討了其面臨的實際挑戰。

幾年前，讓 AI 系統自主閱讀文獻、設計實驗、分析數據、撰寫科研論文的水平，在臨床中為癌癥患者制定個性化治療方案，匹配臨床試驗...似乎還是個科幻場景，而現在，基于大語言模型（LLM）的AI 智能體（AI Agent）正將這一切變為現實。

什么是 AI 智能體？它與傳統 AI 有何不同？

傳統 AI 系統通常只能完成單一、特定的任務，比如識別醫學影像中的腫瘤或預測藥物活性。它們缺乏上下文意識，無法與環境互動，需要人類嚴格指導。

而 AI 智能體是具有“行動能力”的推理引擎。它們能夠感知環境、制定多步計劃、使用工具，并在最小甚至無需人力干預下執行復雜的工作流程。

AI 智能體架構的類型

AI 智能體在癌癥研究中的革命性應用

本質上，AI 智能體將大語言模型的推理能力與外部工具相結合，使其能夠主動獲取信息、分析數據并采取行動，而不僅僅是回應指令。

自主科研工作流：從創意到發表的全流程自動化

AI 智能體系統能夠自主完成以下工作：

• 生成研究假設：通過分析海量文獻，發現知識空白并提出新穎科學問題；

• 設計實驗方案：規劃復雜的多步實驗，包括計算模擬和藥物設計；

• 執行數據分析：調用專業工具處理基因組學、影像學等多元數據；

• 撰寫科研論文：整合結果，生成符合學術規范的論文手稿。

研究表明，諸如 ResearchAgent 和 BioDiscoveryAgent 等 AI 智能體已能實現這一愿景。更有商業化的 AI Scientist-v2 生成的論文成功通過了同行評審，標志著全自動科研時代的來臨。

癌癥研究中的 AI 智能體

多智能體協作系統：虛擬科研團隊的誕生

最令人興奮的發展是多代理系統的涌現。在這種框架下，不同 AI 智能體扮演特定專家角色——分子生物學家、臨床腫瘤學家、生物統計學家等——通過“辯論”和協作，模擬人類科研團隊的工作方式。

這種設計不僅提高了問題解決的全面性，還增強了決策過程的透明度，因為每個 AI 智能體的推理過程都可以被審查。

臨床腫瘤學的 AI 智能體革命

超越診斷：全面患者管理的新范式

在臨床領域，AI 智能體展現出更為廣闊的應用前景。它們能夠：

• 整合多源醫療數據：同時分析電子健康記錄、影像學報告、基因組數據和最新文獻，形成對患者的全面了解。

• 支持治療決策：例如 TxAgent 系統能夠通過多步推理和實時訪問生物醫學知識，為癌癥治療提供個體化建議，考慮藥物相互作用、禁忌癥和患者特定因素。

• 自動化匹配臨床試驗：許多癌癥患者因匹配過程低效而錯過最佳治療機會。AI代理可自動分析患者特征，系統評估試驗資格標準，大大提高匹配效率。

整合了多種醫療數據的多智能體框架，用于腫瘤治療決策

醫學影像分析的質的飛躍

在放射學和病理學圖像分析方面，AI 智能體不再滿足于單一任務的模式識別，而是能夠模擬人類專家的多步推理過程。

例如，在病理學中，代理可以優先處理切片、聚焦感興趣區域、放大這些區域并綜合發現，而不是進行一次全面的掃描。這種能力使AI能夠應對更復雜的臨床問題，如根據肝功能、轉移負荷和血管情況評估手術可行性。

解放醫生時間：告別繁瑣文書工作

據統計，醫療專業人員有高達一半的時間花費在文書工作上，主要是瀏覽電子健康記錄系統和編譯信息。AI 智能體直接集成到現有系統中，可顯著減少醫生在文書工作上的時間消耗，讓他們能更多地關注患者本身。

未來展望：腫瘤學的“智能體化”三步走

作者們預測，癌癥研究和腫瘤學將經歷三個階段的“智能體化”進程：

• 第一階段（當前）：AI 智能體通過類似 ChatGPT 的接口操作，獨立于臨床信息系統，處理用戶明確提供的數據。

• 第二階段：AI 智能體深度集成到醫院基礎設施和研究數據生態系統中，獲得直接、許可的數據訪問權限，但在人類監督框架下運行。

• 第三階段：AI 智能體能夠在操作環境中自主發起行動，例如直接控制實驗室機器人進行實驗，或獨立訂購診斷測試。

挑戰與思考：機遇背后的隱憂

盡管前景廣闊，AI 智能體在腫瘤學中的應用仍面臨多重挑戰：

• 評估難度：如何準確衡量 AI 智能體在復雜腫瘤學工作流中的表現？現有的“是-否”答案式評估標準已不適用，需要開發能捕捉多步推理質量的新基準。

• 實施障礙：從研究原型到可持續臨床工具存在巨大差距。歷史經驗表明，許多 AI 項目因工作流集成不佳而失敗。

• 倫理監管：自主系統自然比傳統AI模型有更多行動自由，也可能造成更大傷害。確保其穩健性、公平性和透明度至關重要。

• 人類角色：當知識工作者依賴 AI 時，可能存在認知卸載風險——從主動解決問題轉變為監督驗證。設計應強化而非取代人類判斷。

AI 智能體正迅速從概念證明走向實際應用，預示著癌癥研究和腫瘤學領域的根本性變革。它們解決了傳統 AI 系統的局限性——單任務專注和無法行動的問題。

盡管驗證、監管和集成方面的挑戰依然存在，但走向日益自主的 AI 協作者的軌跡已經清晰。我們面對的問題不再是 AI 智能體是否會改變我們的領域，而是如何塑造它們的實施，以最大化效益，同時確保安全并保持對人類要素的關注。

未來十年，癌癥研究和腫瘤學將不可避免地“智能體化”，研究人員、醫療專業人士以及我們的機構都需要為這一轉變做好準備。

論文鏈接：

https://www.nature.com/articles/s41568-025-00900-0