核心要点

• 问题：血液系统恶性肿瘤的治疗决策高度依赖多学科肿瘤委员会（MDT）整合纵向治疗史、分子分型与快速更新的证据，但这种亚专科级别的深度会诊资源在各级医院之间分布极不均衡。
• 方法：HemaGuide 是一个可本地部署的模块化大模型智能体，把非结构化临床文书转换为结构化病例表征，自主路由到"指南"“进阶"“分子"三种决策模式，并将推荐结果接地于疾病特异性指南流程图与一个包含 2000 余例真实 MDT 病例的临床决策记忆库。
• 结果：第二家学术中心 555 例外部验证覆盖 47 个病种，一致性 81.8%；海德堡为期 1 个月、64 例连续未筛选病例的前瞻性静默试验一致性 82.8%；664 例评估中仅 2 例出现幻觉（0.3%）；分子工作流在普通商用硬件上中位延迟 39 秒。
• 意义：首次系统证明"本地可部署 + 病例接地 + 可审计"的大模型智能体能在跨机构、实时条件下稳定输出血液肿瘤决策支持，为数据不出院区的医院级 AI 落地提供了可复制范式。
• 原文：Clinical decision support in hematological malignancies using a case-grounded AI agent，Nature Medicine，2026-06-30 | DOI: 10.1038/s41591-026-04494-4 | PMID: 42380678

白血病、淋巴瘤、浆细胞疾病（Plasma Cell Disorders, PC disorders）这类血液系统恶性肿瘤，几乎是现代肿瘤学里决策最复杂的一档。一个患者的最优方案，往往要同时权衡：既往多线治疗的应答与毒性、二代测序（Next-Generation Sequencing, NGS）报出的驱动突变与耐药位点、造血干细胞移植与 CAR-T 的时机窗口，以及每年都在改写的 NCCN/ESMO 指南与刚读出的临床试验数据。

这正是多学科肿瘤委员会（Multidisciplinary Tumor Board, MDT）存在的意义——把血液科医生、病理科医生、遗传学家、移植专家拉到一张桌子上，用集体判断顶住单人认知的极限。问题在于，这种"亚专科级别的集体审议"本身就是稀缺品：它需要足够体量的专家池、固定的会议排期，以及在会前把上百页病历读透的时间成本。研究团队在论文中给出的判断很直接——获取这一层级会诊的机会正变得越来越不均衡（access to this level of subspecialty deliberation is increasingly uneven）。

于是问题被重新定义：能不能让 AI 不是去"回答一道医学考题”，而是去复现 MDT 这套集体审议的过程？这与我们此前报道的 MIRA——首个在 EHR 沙盒内完成全流程诊疗的自主智能体 属于同一条技术脉络，事实上两项研究共享同一位通讯作者 Jakob N. Kather。区别在于，MIRA 解决的是"AI 能不能在电子病历里动手做事”，而 HemaGuide 要回答的是更窄也更难的一问：在一个高度亚专科化的病种里，AI 给出的方案能不能和真实肿瘤委员会的决定对得上。

HemaGuide 的三个核心创新：从"通用聊天"到"可审计智能体"

2026 年 6 月 30 日，海德堡大学医院、德国癌症研究中心（DKFZ）与德累斯顿工业大学、慕尼黑大学医院（LMU）联合团队在 Nature Medicine 发表了 HemaGuide。Julian Zoller 与 Michael Kalz 为共同第一作者，Jakob N. Kather 与 Mirco J. Friedrich 为共同通讯作者。其设计上有三处与主流"医疗大模型"截然不同的选择：

创新一：自主路由的三模态决策架构。 HemaGuide 不用一套提示词包打天下。系统在读完病例后会自主判断该走哪条路：常规病例进"指南模式"（guideline），按疾病特异性指南流程图逐节点推理；复杂或指南未覆盖的进"进阶模式"（advanced）；涉及分子分型判读的进"分子模式"（molecular）。消融实验证实，性能增益是路由类型依赖的（routing-type-dependent），没有任何单一组件能通吃所有病例类型——这从反面否定了"堆一个更大的模型就够了"的思路。

创新二：2000 余例真实 MDT 病例构成的"临床决策记忆"。 这是"case-grounded（病例接地）“一词的实质：模型的推荐不是从参数记忆里生成的，而是检索并对齐真实肿瘤委员会做过的决定。记忆库构成为淋巴瘤 666 例、浆细胞疾病 1120 例、白血病 197 例。这一设计同时带来了可审计性——每条建议都能回溯到具体的指南节点和历史病例。

创新三：本地部署 + 商用硬件 + 实时响应。 全流程在普通商用硬件（commodity hardware）上跑完，中位延迟 39 秒（p95 为 62 秒），分子模式中位 45 秒（p95 123 秒）。作为对照，人工分子肿瘤委员会流程通常需要数小时。对医院而言更关键的是：基因组与临床数据全程不出院区，这在 GDPR 与国内医疗数据合规语境下几乎是准入门槛级的要求。

技术原理：把病历"结构化”，再让智能体"查案例、走流程、给方案"

HemaGuide 的工作链条可以拆成四步。

第一步，文档结构化。 输入端是医院里真实存在的那堆东西：出院小结、骨髓穿刺报告、影像描述、NGS 报告——全是非结构化文本。智能体先把它们转换成结构化的病例表征（structured case representation），相当于替 MDT 做完了"会前读片读病历"这道最耗时的工序。

第二步，自主路由。 系统根据病例特征决定调用哪个决策模式。这一步是模块化设计的关键：它让不同复杂度的病例走不同深度的推理路径，既避免简单病例被过度推理，也防止复杂病例被指南流程图强行套死。

第三步，双重接地（grounding）。 推理过程被同时锚定在两个外部知识源上——疾病特异性的指南流程图（保证合规性）与真实病例记忆库（保证临床现实感）。这套"检索增强 + 流程约束"的组合，正是幻觉率被压到 0.3% 的直接原因。与我们此前解读的 PRISM2 病理基础模型 用海量数据做预训练不同，HemaGuide 走的是轻模型 + 强接地的路线，这也是它能在商用硬件上跑起来的前提。

第四步，分子变异判读。 针对 70 个临床相关错义突变（missense variant）的自动分类显示，其与专家标准高度一致：敏感度 0.88，特异度 0.84，阳性预测值 0.83，阴性预测值 0.89，组内相关系数（ICC）0.806。更重要的是安全性边界——没有任何一个致癌性变异被降级判为良性，这条"绝不漏掉坏消息"的约束比平均准确率更有临床意义。

值得一提的是，多智能体分工协作的思路已在多个临床场景被验证，我们此前报道的 Pythia 五智能体自主筛查认知障碍系统 是另一个典型案例；而在肿瘤领域，COMPASS 泛癌免疫治疗响应预测模型 则代表了另一条以分子数据驱动的路径。三者合起来，勾勒出临床 AI 从"单点预测"走向"流程复现"的整体趋势。

数据说话：外部验证81.8%、前瞻静默试验82.8%、幻觉率0.3%

HemaGuide 的验证链条相当克制，逐级抬高难度：从专家盲法基准测试，到消融拆解，到模拟实践，最后到跨中心外部验证与前瞻性静默试验。核心结果如下。

核心一致性结果（与真实肿瘤委员会决策相比）

验证场景	机构 / 设计	病例数	一致性	关键说明
外部验证	LMU 慕尼黑（第二学术中心）	555 例，47 个病种	81.8%（454/555）	评分者间 κ=0.934
前瞻性静默试验	海德堡，1 个月连续未筛选	64 例（筛自 92 例）	82.8%（53/64）	评分者间 κ=0.795
消融全代理（L10）	内部基准	15 例	86.7%（13/15）	纯 LLM 基线为 0%

外部验证按病种拆解（555 例）

病种分组	一致性	病例数
浆细胞疾病	90.9%	70/77
白血病	84.6%	99/117
淋巴瘤	79.2%	270/341
非恶性血液病	70.0%	15/20

前瞻性静默试验按病种拆解（64 例）

病种分组	一致性	病例数
白血病	88.9%	8/9
浆细胞疾病	82.4%	14/17
淋巴瘤	81.6%	31/38

HemaGuide vs 纯大模型（模拟实践研究，每病种 15 例未见过病例，中位正确数）

系统配置	正确数中位区间（/15）	对比 HemaGuide 的 P 值
HemaGuide（gpt-oss-120b 内核）	11.5 – 12.75	—
纯 gpt-oss-120b	3.5 – 7.5	淋巴瘤 P=0.0000306；浆细胞病 P=0.0000226；白血病 P=0.0021
gpt-5-mini	3.75 – 7.5	淋巴瘤 P=0.0208；浆细胞病 P=0.0001；白血病 P=0.0033

在 45 例高复杂度病例的专家盲法基准测试中（覆盖 6 个基础模型），纯大模型的平均评分为 3.21±0.39，嵌入 HemaGuide 框架后升至 4.22±0.063（P=0.0015）。

三个容易被忽略但更关键的数字：

1. 幻觉率 0.3%——664 例评估中仅 2 例出现幻觉，且均出现在外部验证集，基准测试与静默试验中零发生。
2. 住院医师接近资深水平——无辅助时住院医师与 MDT 真值的符合率约 60%；在 HemaGuide 辅助下达到接近资深医师的一致性，并在部分亚专科外的病例上超过了资深医师。这指向了 AI 最现实的价值定位：抹平经验梯度，而非取代顶端专家。
3. 不一致 ≠ 错误——在所有不一致病例中，平均 50.7%（±7.1% s.e.m.）属于 AI 选择了一个"合理的替代方案"而非真正犯错（基准测试 58.3%、外部验证 57.3%、静默试验 36.4%）。

从实验室到临床：应用前景与必须正视的局限

应用前景可以落到四个具体场景：

• 基层与地市级医院的"虚拟MDT"。血液肿瘤亚专科专家高度集中于头部中心，HemaGuide 这类系统可以让缺乏完整 MDT 编制的医院在本地获得接近亚专科水准的决策参考，直接对应"资源不均衡"这一原始痛点。
• 住院医师与规培医师的实时带教。60% → 接近资深水平的跃升，意味着它可以作为一个"随时在线的上级医师"，尤其在夜班、跨亚专科值班等场景。
• 分子肿瘤委员会（MTB）提速。把原本需要数小时的分子解读压缩到 39 秒中位延迟，且不漏判致癌性变异，这对 NGS 报告积压严重的机构是可量化的效率增益。
• 数据合规敏感场景的私有化交付。本地部署 + 商用硬件的组合，意味着不必把患者基因组数据传到院外云端。

但必须指出的局限至少有三条：

第一，“与MDT一致"不等于"患者获益”。研究的主要终点是决策一致性（concordance），而非无进展生存期、总生存期或治疗毒性等硬终点。作者自己也明确表示，HemaGuide 是否真正改善工作流、决策质量或患者结局"仍有待确立"（remains to be established）。

第二，前瞻性验证的体量仍然很小。静默试验只有 1 个月、64 例，且淋巴瘤占 38 例，白血病仅 9 例——按病种拆开后，单组样本量不足以支撑稳健的亚组结论。

第三，非恶性血液病是明显短板。外部验证中该组一致性仅 70.0%（15/20），显著低于三类恶性肿瘤。这暴露了病例记忆库的覆盖偏倚：记忆库的 2000 余例主要来自恶性肿瘤 MDT，罕见与非恶性病种天然接地不足。

此外还需警惕人机交互层面的风险。我们此前解读的 Automation Bias 随机对照试验 已经证明，即便是受过 AI 素养培训的医生，在接触到错误 AI 建议后诊断准确率仍会显著下降。一个 82.8% 一致性的系统，剩下那 17.2% 会如何影响医生的独立判断，需要专门的前瞻性研究来回答。

结论与产业启示：医院级AI的胜负手正在从"模型"转向"工程"

HemaGuide 给出的最重要结论，可能并不是那几个一致性数字，而是消融实验里那个刺眼的对照：纯大模型基线一致性 0%，全代理架构 86.7%。同一个底层模型，加上文档结构化、自主路由、指南流程接地、病例记忆检索这一整套工程化封装之后，性能从完全不可用变成了接近临床可参考。

这条结论对产业界的启示非常直白：在垂直医疗场景里，决定成败的往往不是模型参数量，而是围绕模型构建的检索、路由、约束与审计体系。 也正因如此，“本地部署 + 商用硬件"才成为可能——当能力主要来自工程架构而非模型规模时，私有化交付的算力门槛就被大幅拉低了。

这与思陌智能科研服务一直坚持的技术路线高度一致。我们在医疗 AI 软件开发中同样把重心放在三件事上：把医院存量的非结构化文书（病历、报告、影像描述）转化为可计算的结构化表征；用院内真实病例与本地指南构建可检索、可审计的领域知识底座；以私有化部署方式交付，确保数据不出院区。HemaGuide 用一篇 Nature Medicine 证明了这条路径在最复杂的血液肿瘤场景中同样成立——对正在规划智慧医疗与临床科研平台的机构而言，这是一份很有分量的可行性背书。

相关问题

Q：HemaGuide 现在可以直接用于临床决策吗？ A：不能。目前它只完成了"静默试验”——即系统给出建议但不影响真实诊疗，事后再与肿瘤委员会决定比对。研究尚未评估其对患者生存、治疗毒性等硬终点的影响，作者本人也强调临床获益"仍有待确立"，距离常规临床使用还需要更大规模的前瞻性研究与监管审评。

Q：82.8% 的一致性算高还是低？剩下的 17.2% 是不是都错了？ A：需要分开看。研究发现在所有不一致的病例中，平均约 50.7% 属于 AI 选了一个临床上同样合理的替代方案，而非真正的错误判断——血液肿瘤的很多决策本身就存在多个可接受选项。真正意义上的"幻觉"（生成不存在或明显错误的信息）在 664 例评估中只出现了 2 例，占 0.3%。

Q：这类系统会取代血液科医生或 MDT 吗？ A：研究数据指向的恰恰相反。最显著的增益出现在住院医师身上——从约 60% 提升到接近资深医师水平；而对本亚专科内的资深专家，帮助相对有限。它更像是一个抹平经验梯度的工具，让年轻医生和资源不足的医院更快接近专家水准，而不是替换掉决策链条顶端的人。

Q：本地部署具体意味着什么？普通医院的算力够吗？ A：意味着模型与病例记忆库都运行在医院自己的服务器上，患者的病历和基因组数据全程不上传外部云端，天然满足数据合规要求。研究明确说明全流程在"商用硬件"（commodity hardware）上完成，分子工作流中位延迟仅 39 秒，说明其算力门槛远低于训练大规模基础模型，具备在中等规模医院落地的现实条件。

参考文献

1. Zoller J, Kalz M, Wu X, et al. Clinical decision support in hematological malignancies using a case-grounded AI agent. Nature Medicine. 2026 Jun 30. DOI: 10.1038/s41591-026-04494-4 | PMID: 42380678

2. Ferber D, Hilgers L, Höper C, et al. Towards autonomous medical artificial intelligence agents. Nature. 2026;655:1282-1291. DOI: 10.1038/s41586-026-10675-5 | PMID: 42310457

3. Vorontsov E, Shaikovski G, Casson A, et al. End-to-end multimodal pathology foundation model with clinical dialogue. Nature Medicine. 2026 Jul 31. DOI: 10.1038/s41591-026-04521-4 | PMID: 42538427

本文基于 Clinical decision support in hematological malignancies using a case-grounded AI agent 的独立解读，仅供学术交流，不构成临床建议。