Individuelle Lungenkrebs‑Risikoabschätzung: Agent kombiniert Cohort‑Analyse und KI

Die Vorhersage des Lungenkrebsrisikos bleibt ein komplexes Problem, weil die Genauigkeit der Modelle stark von der jeweiligen Patientenpopulation und dem klinischen Umfeld abhängt. Ein Modell kann in einer Gruppe nicht zwangsläufig die beste Leistung in einer anderen Gruppe erbringen.

Um diesem Problem zu begegnen, wurde ein neuer, personalisierter Risikoprediktionsagent entwickelt. Der Agent nutzt moderne Retrieval‑ und Reasoning‑Techniken, um für jeden Patienten das am besten geeignete Modell auszuwählen. Dabei werden sowohl die CT‑Scans als auch strukturierte Metadaten – wie demografische Angaben, klinische Befunde und nodule‑spezifische Merkmale – berücksichtigt.

Der Agent arbeitet in zwei Schritten. Zunächst führt er eine Cohort‑Retrieval‑Suche mit FAISS durch, um aus einer Datenbank von neun realen, multinationale Kohorten den für den Patienten relevantesten Populationsteil zu identifizieren. Anschließend wird ein Large Language Model (LLM) mit den gefundenen Cohort‑Daten und den zugehörigen Leistungsmetriken gefüttert. Das LLM empfiehlt daraufhin das optimale Vorhersagemodell aus einer Auswahl von acht repräsentativen Algorithmen, die klassische lineare Modelle (z. B. Mayo, Brock), zeitlich bewusste Modelle (z. B. TDVIT, DLSTM) sowie multimodale Computer‑Vision‑Ansätze (z. B. Liao, Sybil, DLS, DLI) umfassen.

Durch die Kombination aus FAISS‑basierter Retrieval‑Schicht und LLM‑basierter Entscheidungsfindung ermöglicht der Agent eine dynamische, kohorten‑bewusste Risikobewertung, die exakt auf das individuelle Profil jedes Patienten zugeschnitten ist. Diese flexible, datengetriebene Herangehensweise eröffnet einen praktikablen Weg, um die Risikoabschätzung bei der Lungenkrebs‑Screening‑Praxis zu personalisieren und die Früherkennung zu verbessern.