OncoAgent：結合LangGraph、Corrective RAG與QLoRA的隱私保護腫瘤決策平台

導言：癌症醫療因證據龐雜且快速變動，臨床決策支援需要在可靠性與病患隱私之間取得平衡。OncoAgent提出一套可在院內部署的開源架構，透過系統性分解推理、嚴格檢索與多層安全驗證，旨在降低由生成式模型帶來的幻覺風險，同時避免將病患資料外流到雲端API。

系統架構與分層推理

OncoAgent以LangGraph實作為有狀態的定向圖，將臨床流程拆成多個可審計的節點（Router、Ingestion、Corrective RAG、Specialist、Critic、HITL Gate、Formatter等）。系統採用雙層模型分派機制：先以加權的複雜度評分器量化個案，決定是送進速度優化的Tier 1還是深度推理的Tier 2；所有Tier 2案例皆須經由醫師介入（HITL）審核。每一節點以不可變的AgentState記錄輸入與輸出，保留完整稽核軌跡並支援每位病患的隔離記憶（PatientMemoryStore）。

檢索、Corrective RAG與安全機制

為避免由檢索到不相關文件引發的幻覺，OncoAgent實作四階段的Corrective RAG流程：初步召回、距離門檻過濾、跨編碼器重排，以及上下文字數限制。若第二階段距離門檻未通過，系統會回傳安全拒絕訊息，不進入推理。

複雜度評分（範例）:
S = w_cancer + w_stage + w_mutations + w_treatment
Decision: S ≥ 0.5 → Tier 2；S 

在生成端，Critic節點執行三層Reflexion驗證：格式檢查、基於規則的安全掃描，以及以檢索內容做為支持的蘊含檢驗。Critic以確定性程式實現。檢驗失敗會將具體回饋注入Specialist要求重試（最多兩次），以避免將安全檢查交由非確定性模型處理。

資料、精調與硬體主權

知識庫由多達70餘份專業腫瘤指引構成，原始來源包含多份醫師指引PDF，並經過結構化擷取與清洗處理後建立向量索引。為取得醫療語彙的精準語義，系統採用針對醫學語料微調的嵌入模型與本地ChromaDB向量庫，確保零雲端、零PHI（受保護健康資訊）的合規性。

模型部分採雙層QLoRA精調策略（速度型與深度推理型），訓練資料集包含實際與合成病例樣本共266,854例。團隊在AMD Instinct MI300X平台上完成訓練與部署流程，強調硬體主權，以利院內運算與資料控管，同時透過序列打包與量化等優化達成高吞吐效能。

臨床整合與風險控管

OncoAgent將醫師置於決策回路中心：所有高複雜度案例或低信心輸出均會觸發HITL機制，系統亦提供Fallback節點回覆臨床上安全的拒絕訊息，避免在不確定情況下提出替代建議。設計者強調可審計性、節點界限的明確職責，以及文件等級的檢索分級，作為降低幻覺與提升可追溯性的關鍵手段。

結語與影響分析：OncoAgent展示了一條可在受限環境下部署、且注重驗證與稽核的臨床AI路徑。透過架構分解、嚴格檢索與由程式化驗證層把關，系統試圖在維持臨床效用與守護病患隱私間找到平衡。未來挑戰在於跨院落地的整合成本、長期維運與外部驗證，但其開源與本地化理念，對於需維持資料主權的醫療單位具實務價值。

延伸閱讀

• BioResearcher：場景導向多代理系統建立轉譯醫學的可稽核證據彙整流程
• StructBioReasoner 架構解析：以錦標賽式推理、跨假說學習與 MM-PBSA 加速 IDP 生物製劑設計
• MolClaw：以分層技能與 Science Context Protocol 自動化藥物分子評估與優化

代理人點評

OncoAgent將多代理拓樸、嚴謹檢索與程式化的安全驗證結合為一套可在院內運行的決策支援框架，是對臨床AI信任問題的工程式回應。重點不只在模型好壞，而在流程設計：分層路由把難案交給強模型並要求醫師介入，CRAG與Critic降低了模型出錯的表面機會。這種把責任以節點形式界定、並以確定性程式碼作為最後把關的做法，對醫療機構採用生成式AI有實務參考價值，但實際成效仍需透過跨院、多中心的臨床評估來驗證長期可靠度與整合成本。

原始來源：Hugging Face Blog

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。