Современная медицинская экспертиза в онкологии сталкивается с критическим разрывом между стремительным обновлением протоколов NCCN и реальной клинической практикой. Проект OncoAgent от исследовательской группы OncoAgent Research Group нацелен на устранение этой дистанции не за счет маркетинговой «магии» нейросетей, а через строгую архитектурную декомпозицию врачебного мышления. Авторы отказались от монолитных моделей в пользу топологии LangGraph, которая имитирует консенсус специалистов: задачи распределяются между узкопрофильными агентами, где планирование жестко отделено от исполнения.
Система функционирует на двух технологических ярусах. Входящий поток фильтруется классификатором сложности: рутинные задачи берет на себя легкая модель (9 млрд параметров), а тяжелые кейсы с сопутствующими заболеваниями — модель глубокого рассуждения (27 млрд параметров). Обе нейросети прошли цикл дообучения QLoRA на массиве из 266 тысяч клинических случаев с использованием оптимизатора Unsloth. Это не просто настройка весов, а попытка упаковать экспертные знания в локальный инференс, который не требует постоянного обращения к облачным сервисам и соответствует строгим стандартам конфиденциальности (HIPAA).
За борьбу с галлюцинациями отвечает четырехэтапный цикл Corrective RAG (CRAG). В отличие от базовых поисковых систем, CRAG верифицирует данные по базе из 70 профессиональных клинических рекомендаций, оценивая релевантность документов и переформулируя запросы в режиме реального времени. По данным разработчиков, этап оценки документов показал стопроцентную точность при уровне уверенности RAG выше 2.3. Безопасность системы подкреплена трехслойным валидатором рефлексии: он принудительно исполняет политику Zero-PHI, удаляя персональные данные пациентов до того, как они покинут защищенный контур.
Аппаратное обеспечение играет ключевую роль в экономике проекта. Использование ускорителей AMD Instinct MI300X с 192 ГБ памяти HBM3 позволило дообучить модели всего за 50 минут. По оценке команды, это обеспечивает 56-кратный прирост пропускной способности по сравнению с генерацией данных через внешние API. Данный кейс посылает важный сигнал рынку: эпоха универсальных чат-ботов в медицине заканчивается. Будущее — за специализированными локальными «заводами экспертизы». Это единственный способ масштабировать интеллектуальные мощности без риска для юридической чистоты бизнеса и жизней пациентов.