知识卡片：大型癌症助手（LCA）：用于肿瘤学可扩展临床决策支持的模型无关编排框架

一句话结论

LCA 是一个模型无关的编排框架，通过将多模态数据摄入与特征推断解耦，为肿瘤学临床决策支持提供了高度模块化、可扩展且鲁棒的基础架构。

事件概述或研究问题

当前肿瘤学中的多模态深度学习模型受限于单体设计——数据摄入、临床路由和 AI 推理三者紧密耦合，缺乏灵活性。LCA 旨在通过后验编排框架解决这一刚性限制，实现可扩展的临床决策支持。

方法/产品要点

• 架构形式化：LCA 被数学形式化为一个 7 元组架构，基于算法不可渗透性原则，确保编排逻辑严格独立于底层黑盒 AI 模型。
• Entry Theory（入口理论）：利用几何深度学习（GDL）沿不同结构和医学轴标准化多模态患者数据。
• Cancer Switching Module（癌症切换模块）：动态编排数据路由。
• 标准化中间载荷（SIP）：将核心 AI 执行与易变的医院 IT 基础设施隔离，输出 SIP 作为架构边界。
• 模型无关：可插入任意 AI 模型，编排逻辑不受模型替换影响。

主要结果或产业意义

• 概念验证（PoC） 在四个技术场景中验证了编排逻辑。
• 名义流程开销可忽略：框架执行正常流程时编排额外开销极小。
• 算法不可渗透性验证：AI 模型交换时路由投射保持不变。
• 严格故障安全性：在注入数据异常下，生成补充数据请求（SDR）的召回率达到 100%。
• 多协议执行能力 成功验证。
• 产业意义：SIP 建立了清晰的架构边界，为后续电子病历（EMR）互操作性奠定基础，有望统一肿瘤学 AI 系统的部署流程。

为什么重要

• 突破单体设计限制，使多模态数据摄入与 AI 推理解耦，提升系统适应性和模块化程度。
• 通过 SIP 隔离核心 AI 与医院 IT 基础设施，降低部署风险，增强对数据异常和模型变更的鲁棒性。
• 为未来肿瘤学临床决策支持系统提供标准化的编排范式，促进跨机构、跨模型的互操作。

局限与不确定性

• 概念验证仅在有限技术场景下进行，实际临床环境中的大规模部署效果、延迟、安全性等有待进一步验证（待核实）。
• 算法不可渗透性原则依赖于对黑盒模型的抽象，是否在所有模型类型下保持稳定仍需更多测试（待核实）。
• 对多模态数据的标准化处理（Entry Theory）在异构数据源上的泛化能力尚未深入讨论（待核实）。

可用于图书/PPT/简报的角度

• 肿瘤学 AI 系统的架构演进：从单体到模块化编排。
• 如何通过算法不可渗透性提升 AI 方案的可替换性和鲁棒性。
• LCA 作为案例，展示“解耦设计”在医疗 IT 架构中的价值。
• SIP 作为标准化边界，推动 EMR 互操作性的未来方向。

原始材料

• 英文标题：The Large Cancer Assistant (LCA): A Model-Agnostic Orchestration Framework for Scalable Clinical Decision Support in Oncology
• 英文关键词：cs.AI, cs.LG, Large Cancer Assistant, model-agnostic orchestration, clinical decision support, oncology
• 作者：Ghassen Marrakchi, Basarab Matei
• 发布/更新日期：2026-07-07
• arXiv ID：2607.06531v1
• 摘要 URL：https://arxiv.org/abs/2607.06531v1
• PDF URL：https://arxiv.org/pdf/2607.06531v1