MCP驱动的多智能体RAG增强型LLM系统在前列腺癌临床决策中的应用

芝加哥大学医学中心合作开发的临床AI系统，结合MCP治理框架、多智能体RAG检索和生存分析模型，为前列腺癌诊疗提供循证支持的智能决策辅助。该项目由hyunji0618维护，来源为GitHub项目《MCP-Driven-RAG-Enhanced-LLM-for-Oncology》，旨在解决当前肿瘤学AI系统面临的时间序列推理能力不足、幻觉问题、缺乏可审计性等核心挑战，为医生提供可追溯证据的智能决策支持。

当前肿瘤学AI系统面临几个核心挑战：缺乏时间序列推理能力、生成式摘要中存在幻觉问题、临床AI输出缺乏可审计性，以及机器学习生存模型与叙事推理之间的割裂。这些问题严重制约了AI在医疗领域的安全部署。

前列腺癌诊疗尤其需要整合多维度信息——从PSA动态变化、Gleason评分到TNM分期，再到治疗史和转移指标。医生需要的不只是预测结果，更需要理解模型推理过程，并能够追溯每一条建议的证据来源。

系统架构流程

患者ID输入后，首先通过MCP服务器进行安全上下文检索，获取纵向病历数据。随后LangGraph编排器协调多个智能体协同工作：检索工具负责构建PubMed表型感知查询，摘要智能体生成结构化临床报告，验证智能体则执行幻觉检测和缺失数据检查。系统还集成了结构化模型API：XGBoost分类器用于治疗方案推荐，生存分析集成模型（Cox比例风险+Weibull回归+随机生存森林）用于寿命预测。最终输出经过MCP审计的完整临床报告。

技术栈核心模块

• MCP治理层：提供版本化患者上下文检索、工具中介、可审计端点调用及元数据追踪（模型名称、版本、时间戳），确保透明性和可复现性。
• RAG检索机制：采用PubMed XML API，配备表型感知查询构建器，证据评分考虑临床对齐度、时效性（≥2016年）等，通过确定性引用嵌入杜绝幻觉。
• 治疗推荐模型：基于XGBoost分类器，输入TNM分期、Gleason评分等特征，输出排序后的治疗方案、概率及推荐理由。
• 生存分析集成框架：Cox比例风险模型（可解释hazard ratio）、Weibull回归（分期分层基线曲线）、随机生存森林（非线性交互）协同工作，输出5/10/15年生存概率及预期时间。

幻觉检测与质量控制

系统设置验证智能体检测幻觉内容和缺失患者数据，采用迭代重试循环确保无未解决幻觉进入最终报告。此外执行生存排序检查（M1 < N1 < 局限期）、概率边界约束和曲线单调性验证。

临床验证与学术认可

该系统已在芝加哥大学医学中心完成验证，使用500例合成纵向前列腺癌记录（每例5-7次就诊记录），数据经执业放射科医生验证医学合理性。项目成果已在SIIM-CAIMI 2025发表，并被芝加哥大学数据科学研究所专题报道。

关键创新点

1. MCP治理的智能体临床AI框架：为医疗AI安全部署提供可复现架构模式
2. 抗幻觉RAG集成：通过确定性文献引用和验证循环降低幻觉风险
3. 生存分析集成：将传统生存模型无缝融入LLM工作流程
4. 模块化API设计：预测模型与叙事推理解耦，便于独立迭代
5. 完全可审计的报告生成：从输入到输出的完整追溯链

局限性与展望

系统基于样本数据训练评估，仅用于研究演示；合成数据无法完全替代真实临床数据复杂性。未来方向包括扩展到更多癌种、整合真实世界证据、前瞻性临床试验验证效果。

该项目展示了大语言模型安全部署于医疗领域的可行路径。通过MCP治理、多智能体协作、RAG证据检索和严格验证机制，系统在保证临床相关性的同时，最大程度降低AI幻觉风险。对于关注医疗AI安全性和可解释性的研究者和从业者，这是一个值得深入研究的参考实现。