PPGL-Swarm: Integrated Multimodal Risk Stratification and Hereditary Syndrome Detection in Pheochromocytoma and Paraganglioma
作者: Zelin Liu, Xiangfu Yu, Jie Huang, Ge Wang, Yizhe Yuan, Zhenyu Yi, Jing Xie, Haotian Jiang, Lichi Zhang
分类: cs.CV
发布日期: 2026-03-23
💡 一句话要点
PPGL-Swarm：用于嗜铬细胞瘤和副神经节瘤的多模态风险分层与遗传综合征检测
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 嗜铬细胞瘤 副神经节瘤 多模态诊断 风险分层 Agent系统 强化学习 知识增强
📋 核心要点
- 现有PPGL诊断方法依赖手动GAPP评分，主观性强且工作量大，未能充分考虑基因型等重要风险因素。
- PPGL-Swarm采用agentic系统，将诊断分解为微任务，利用知识增强和强化学习提升诊断准确性和可解释性。
- 该系统能够自动进行GAPP评分，提供基因型风险警报，并生成包含综合证据的多模态报告。
📝 摘要（中文）
嗜铬细胞瘤和副神经节瘤(PPGLs)是罕见的神经内分泌肿瘤，其中15-25%会发展成转移性疾病，5年生存率低至34%。PPGL可能预示着需要更严格、针对综合征治疗和监测的遗传综合征，但临床医生在常规护理中常常未能识别这些关联。临床实践使用GAPP评分进行PPGL分级，但PPGL诊断仍存在一些局限性：(1)GAPP评分需要临床医生手动评估六个独立组成部分，工作量大；(2)细胞性和Ki-67等关键组成部分通常使用主观标准进行评估；(3)GAPP未捕捉到一些临床相关的转移风险因素，如SDHB突变，其转移率高达35-75%。Agent驱动的诊断系统前景广阔，但大多数缺乏决策的可追溯推理，并且没有结合PPGL基因型信息等领域知识。为了解决这些局限性，我们提出了PPGL-Swarm，一个agentic PPGL诊断系统，它生成一份综合报告，包括自动GAPP评分(具有量化的细胞性和Ki-67)、基因型风险警报和具有综合证据的多模态报告。该系统通过将诊断分解为微任务来提供可审计的推理轨迹，每个微任务都分配给一个专门的agent。基因和表格agent使用知识增强来更好地解释基因型和实验室结果，并且在训练期间，我们使用强化学习来改进工具选择和任务分配。
🔬 方法详解
问题定义：PPGL的诊断和风险分层面临挑战，现有的GAPP评分方法依赖人工评估，主观性强，效率低，且未能充分整合基因型信息等关键风险因素。临床医生难以准确识别遗传综合征相关的PPGL，导致治疗和监测不足。
核心思路：PPGL-Swarm的核心思路是构建一个基于agent的诊断系统，将复杂的诊断任务分解为多个微任务，每个微任务由专门的agent负责。通过知识增强和强化学习，提升agent的专业能力和协作效率，从而实现更准确、可解释的PPGL诊断和风险分层。
技术框架：PPGL-Swarm系统包含以下主要模块：(1)图像分析agent，用于自动评估细胞性和Ki-67等GAPP评分指标；(2)基因agent，利用知识库解释基因型信息，识别遗传风险；(3)表格agent，处理实验室数据，提取关键指标；(4)报告生成agent，整合所有agent的输出，生成综合诊断报告。系统使用强化学习优化agent的任务分配和工具选择。
关键创新：PPGL-Swarm的关键创新在于其agentic架构和知识增强策略。与传统的单体诊断系统相比，agentic架构能够更好地模拟临床诊断流程，提高诊断的可解释性和灵活性。知识增强使得agent能够更好地利用领域知识，提高诊断的准确性。
关键设计：系统使用强化学习来优化agent的任务分配和工具选择，奖励函数的设计旨在鼓励agent选择最合适的工具和执行最有效的任务序列。基因agent使用知识图谱来增强对基因型信息的理解。图像分析agent使用深度学习模型自动分割细胞和计算Ki-67阳性细胞比例。
🖼️ 关键图片
📊 实验亮点
论文提出了PPGL-Swarm，一个agentic PPGL诊断系统，能够自动进行GAPP评分，提供基因型风险警报，并生成包含综合证据的多模态报告。通过将诊断分解为微任务，并使用强化学习优化agent的任务分配，该系统提高了诊断的准确性和可解释性。具体实验结果未知，但论文强调了该系统在解决现有PPGL诊断局限性方面的潜力。
🎯 应用场景
PPGL-Swarm可应用于临床PPGL诊断和风险分层，辅助医生进行更准确的诊断和治疗决策。该系统能够自动评估GAPP评分，识别遗传风险，并生成综合报告，从而提高诊断效率和准确性，减少漏诊和误诊。未来，该系统可扩展到其他罕见肿瘤的诊断和风险分层。
📄 摘要（原文）
Pheochromocytomas and paragangliomas (PPGLs) are rare neuroendocrine tumors, of which 15-25% develop metastatic disease with 5-year survival rates reported as low as 34%. PPGL may indicate hereditary syndromes requiring stricter, syndrome-specific treatment and surveillance, but clinicians often fail to recognize these associations in routine care. Clinical practice uses GAPP score for PPGL grading, but several limitations remain for PPGL diagnosis: (1) GAPP scoring demands a high workload for clinician because it requires the manual evaluation of six independent components; (2) key components such as cellularity and Ki-67 are often evaluated with subjective criteria; (3) several clinically relevant metastatic risk factors are not captured by GAPP, such as SDHB mutations, which have been associated with reported metastatic rates of 35-75%. Agent-driven diagnostic systems appear promising, but most lack traceable reasoning for decision-making and do not incorporate domain-specific knowledge such as PPGL genotype information. To address these limitations, we present PPGL-Swarm, an agentic PPGL diagnostic system that generates a comprehensive report, including automated GAPP scoring (with quantified cellularity and Ki-67), genotype risk alerts, and multimodal report with integrated evidence. The system provides an auditable reasoning trail by decomposing diagnosis into micro-tasks, each assigned to a specialized agent. The gene and table agents use knowledge enhancement to better interpret genotype and laboratory findings, and during training we use reinforcement learning to refine tool selection and task assignment.