GBDAgents：一种面向基于分子分型的精准诊疗的多智能体博弈论决策方法

《Expert Systems with Applications》：GBDAgents: A Multi-Agent Game-Theoretic Decision Method for Molecular Subtyping-Based Precision Diagnosis and Treatment

　　

•提出了一种用于乳腺癌诊断的可解释多智能体框架。
•将博弈论整合到协作决策机制中。
•开发了一套评估系统，用于在不同场景和模型中进行验证。
•诊断和治疗性能优于主流框架。

引言
乳腺癌是中老年女性中最常见的恶性肿瘤。根据世界卫生组织癌症中心的数据统计，乳腺癌新发病例高达 226 万例，已取代肺癌成为世界上最大的癌症 Hong & Xu (2022)。中国女性乳腺癌的发病率特点是增长迅速且年轻化，乳腺癌的病因复杂且发病机制尚不明确，这给乳腺癌的准确诊断和治疗带来了巨大挑战 Williams & Thompson (2025)。在乳腺癌诊疗过程中，从单科经验发展到多学科协作诊疗，准确的多学科协作诊疗方案在提高诊断准确性、优化治疗策略和改善患者预后方面发挥着关键作用 Kerr, Dodwell, McGale et al. (2022)。
在实际临床实践中，乳腺肿瘤的分子分型和治疗严重依赖多学科协作 (MDT) Wang & Wu (2023)。然而，由于病理、放射学和临床肿瘤学等不同专业决策范式的差异，在解读有限的手术前证据时，可能会出现巨大的跨学科分歧 Ko?o, Weekenstroo, Lambregts et al. (2021); Ng, Yahya, Chew et al. (2024)。在缺乏有效的动态协调时，此类分歧很容易演变为共识僵局，从根本上限制了个性化诊疗策略的制定 Luo, Wang, Lin et al. (2024)。图 1 从概念上展示了这一临床挑战及本研究提出的解决方案。虽然传统 MDT 讨论缺乏解决分歧意见的结构化机制，但所提出的 GBDAgents 框架将多智能体交互建模为博弈过程，从而系统地协调冲突观点，引导智能体群体走向高度可靠的诊断共识。
近年来，大语言模型 (LLMs) 在医学文本处理 Iannantuono, Bracken-Clarke, Floudas et al. (2023)、临床问答和治疗推荐生成方面展现了巨大的潜力，利用其强大的语义建模和上下文理解能力。目前，大多数关于 LLM 辅助分子分型诊断的研究仍集中在影像和病理等多模态数据的浅层加权融合上，并结合 RAG 技术从文献中提取显性知识。当面对高度不确定的临界病例或生物特征相关性时，缺乏跨领域专家知识的协作推理阻碍了深度临床决策的实现。因此，一些研究试图引入多智能体讨论框架来模拟多学科团队 (MDT) 会诊，旨在提高决策过程的可靠性和可解释性 AlSaad, Abd-Alrazaq, Boughorbel et al. (2024); Pelossof, Carty, Ahmed et al. (2025)。在该框架内，每个智能体可以扮演不同领域的专家角色，对诊断问题提供独立的见解 Abdikenov, Zhaksylyk, Shortanbaiuly et al. (2025)。尽管取得了显著进展，但现有的协作 LLM 框架通常假设所有参与者拥有平等的决策权，并依赖反复对话或多数投票达成共识。在现实世界的多学科团队 (MDT) 环境中，不同专业的专家不仅表现出巨大的异质性，在专业知识、信息优势和决策责任方面，而且他们的决策也表现出明显的顺序依赖性。具体来说，后续专家通常需要根据先前专家提供的诊断发现不断调整他们的判断，使得这些假设变得不切实际。此外，当不同专业的证据冲突时，专家必须同时坚持各自领域的专业意见，同时考虑到整体诊疗方案的一致性。因此，协作过程本质上是一个以战略互动、动态反馈和竞争利益权衡为特征的顺序决策过程，而不仅仅是信息交换的过程。然而，当面对乳腺癌分子分型等复杂决策时，这种方法经常沦为无效的信息积累或非收敛的意见循环，这是由于缺乏清晰的战略互动逻辑和平衡机制 Feng, Wang, Zhou et al. (2025)。这使得讨论过程效率低下并产生随机结果 Pandey, Amod, & Kumar (2024)。因此，仅依赖多数投票或无约束讨论不足以捕捉现实世界 MDT 背后的动态决策机制。这凸显了需要一个能够明确表征专家之间战略依赖关系并动态优化决策过程的协作决策模型的必要性。

为缓解多学科分子分型诊疗中的共识僵局，我们提出了一种名为博弈论乳腺癌诊断智能体 (GBDAgents) 的多智能体决策框架，如图 2 所示。受现实世界中从个体医生到协作团队的多级决策启发，在整体架构层面，GBDAgents 借鉴现有研究 Staňková, Brown, Dalton et al. (2019)，将癌症治疗过程建模为具有不对称性和领导者 - 追随者动态特征的斯塔克伯格博弈，并将此概念框架应用于多智能体临床决策协作场景。具体来说，前期决策阶段根据当前可用证据建立阶段性临床判断，而后续决策阶段则在先前信息奠定的基础上，整合新获取的证据和专业知识制定战略响应和方案调整。重要的是，本研究并不严格将现实世界 MDT 等同于僵化的领导者 - 追随者层级；而是将非对称决策实体之间顺序交互的核心概念抽象为多智能体协作的架构约束。在此基础上，具体的战略互动和决策优化通过针对不同的临床风险水平的博弈论模型在决策层面进行操作化。为确保机制设计的临床基础和合理性，本研究的框架是在乳腺癌专家全程指导下开发的，确保协作工作流程、风险分层逻辑和现实世界临床 MDT 实践高度对齐。通过整合患者病理、影像和临床数据，该框架为智能体交互提供了多维证据支持，从根本上缓解了因证据有限而产生的认知偏差。一个自动分诊模块根据病例复杂度将患者分配给多层级专家团队，优化临床资源匹配的精度。一个分层讨论模块作为核心决策引擎，实施差异化的讨论策略：对于中风险病例，不同专业的专家通常对自己的评估具有相对较高的信心，但临床解读中仍可能出现局部冲突。因此，每位专家既可以保持初始判断，也可以根据他人的观点调整诊断策略。这一过程体现了局部最优与集体最优之间的战略张力。因此，我们引入囚徒困境来建模维护个人判断与合作达成共识之间的权衡；对于高风险病例，准确的诊断通常依赖于多个专业的高度一致性；任何单个专业的偏差可能损害整体诊疗策略的质量。因此，我们引入猎鹿博弈来捕捉多位专家之间的协调问题。通过鼓励智能体趋同于共同诊断目标，该框架促进了更稳定的全局最优决策。
重要的是，此处博弈论不仅仅作为临床讨论的概念类比使用。相反，其应用是由 MDT 决策的三个内在特征所驱动的：异质专家之间的信息不对称、跨专业的顺序依赖关系以及局部诊断目标与总体治疗目标之间的战略冲突。这三者都是博弈论分析的经典主题。因此，我们采用不同的博弈论模型来形式化不同层级的协作决策，将多智能体协作从一个经验性的讨论过程转变为受明确理论约束支配的策略优化过程。

本文的主要贡献包括：
•受现实世界 MDT 工作流程启发，我们开发了 GBDAgents，一种用于乳腺癌分子分型精准诊断和治疗的游戏论多智能体决策框架，为缓解多学科临床决策中的决策分歧提供了新的计算方法。
•与采用简单多数投票或自由对话机制的现有研究不同，我们设计了一种博弈论引导的多智能体协作决策方法。该方法通过多学科智能体之间的互动反馈实现了向最优解的收敛。
•现有研究大多输出最终诊断标签而不提供决策依据。相比之下，该方法确保决策结果具有清晰的可解释性，为临床医生提供透明且可信的推理支持。
•跨一个私有数据集、八个公开数据集、六类通用大模型和两种语言的实验表明，该方法优于现有强基线模型，并展现出卓越的决策性能。

章节片段
乳腺癌诊断
乳腺癌作为一种高度异质性的恶性肿瘤，依赖精确的基于分子的分型进行准确诊断和治疗。当前临床接受的标准主要涉及免疫组化 (IHC) 检测，但由于该方法依赖于活检程序和样本质量，因此存在局限性 Onkar, Carleton, Lucas et al. (2023)。深度学习的最新进展彻底改变了乳腺癌的分子分型诊断 Xiong et al. (2025)。
整体框架
为了有效利用乳腺癌患者的多模态数据进行精准诊断和治疗，如图 2 所示，我们提出了 GBDAgents——一种基于乳腺癌分子分型的精准诊断和治疗多智能体博弈框架。在架构层面，该方法将斯塔克伯格博弈背后的顺序决策和条件响应机制抽象为多智能体协作的架构约束，从而提供计算[支持]。
实验设置与数据集
为了全面评估 GBDAgents 框架，我们在一个私有乳腺癌 MDT 临床数据集和八个公开可用的基准数据集上进行了实验。首先，我们在严格的患者隐私保护和数据去标识化协议下构建了一个私有乳腺癌 MDT 数据集。患者身份使用数字标识符表示，而不是姓名或临床记录号。该数据集包括 100 名患者，其中 23 名 Luminal A，26 名 Luminal B，33[名]
结论
本研究提出了 GBDAgents，一种用于乳腺癌分子分型精准诊断和治疗的多智能体决策框架。通过整合用户输入、风险分诊器和多智能体讨论决策模块，结合受斯塔克伯格启发的分层架构和风险自适应的迭代囚徒困境和猎鹿博弈机制，GBDAgents 提供了一个结构化的计算框架，用于信息交换、战略反馈以及风险敏感协调在智能体之间
资助
本研究得到了中华人民共和国教育部人文社会科学研究项目 (编号：24YJCZH289)；中国国家社会科学基金 (军事科学，青年项目) (编号：2024-SKJJ-C-049)；陕西省重点研发计划 (编号：2026SF-YBXM-347)；西安邮电大学研究生创新基金 (编号：CXJJYL2025027) 的支持。
CRediT 作者贡献声明
Hongyu Wang：概念化，方法论，写作——审查与编辑。Yongyan Guo：方法论，写作——初稿，写作——审查与编辑。Songtao Ding：写作——审查与编辑。Ke Fang：写作——审查与编辑。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能看起来会影响本论文中报告的工作。
Hongyu Wang|Yongyan Guo|Songtao Ding|Ke Fang