Collaborative human-agent for therapeutic decision-making in cancer immunotherapy prediction

Oncology is an inherently multidisciplinary science: treatment decisions require integrating heterogeneous patient data, unstructured clinical documents, medical images and structured laboratory data, under significant time pressure. A good example of these challenges is Non Small Cell Lung Cancer: patients with advanced NSCLC are treated in the first line with immunotherapy, yet no single biomarker reliably predicts response, making treatment selection a complex multimodal reasoning task. Existing AI clinical decision support systems either rely on proprietary cloud-based models that transfer sensitive patient data externally, or adopt single-agent designs whose tool-use reliability collapses with locally deployable open-weight models. This thesis presents a fully on-premise agentic AI clinical decision support system (DSS) for first-line (1L) immunotherapy treatment recommendation in advanced NSCLC, developed with the Fondazione IRCCS Istituto Nazionale dei Tumori in Milan as part of the APOLLO11 project. The system processes patient data through a fixed sequential pipeline covering imaging analysis, structured patient state construction, guideline retrieval, predictive model execution, and multi-evidence reasoning, producing a structured therapy recommendation reviewed through a human-in-the-loop mechanism. A long-term memory system distils lessons from past clinician interactions to inform future cases. Evaluation across five model configurations on a 20-patient cohort shows near-perfect tool call correctness (98.9%--100%), validating the decomposition strategy. Qualitative clinician evaluation yields therapy recommendation accuracy of 65.0%--90.0%, with Nemotron Nano 30B leading on all five evaluated dimensions. To the best of our knowledge, this is the first agentic DSS targeting first-line NSCLC immunotherapy treatment recommendation in a fully local deployment setting.

L'oncologia è una scienza intrinsecamente multidisciplinare: le decisioni terapeutiche richiedono l'integrazione di dati eterogenei del paziente come documenti clinici non strutturati, immagini cliniche, e dati strutturati di laboratorio. Un ottimo esempio sono i casi di tumore polmonare non a piccole cellule (NSCLC): i pazienti con NSCLC in stadio avanzato sono trattati in prima linea con immunoterapia, ma nessun singolo biomarcatore predice in modo affidabile la risposta. I sistemi di supporto decisionale clinico esistenti dipendono da modelli proprietari in cloud che trasferiscono dati sensibili all'esterno, oppure adottano architetture ad agente singolo la cui affidabilità nell'uso degli strumenti collassa con modelli open-weight localmente impiegabili. Questa tesi presenta un sistema agentico di intelligenza artificiale completamente locale per la raccomandazione terapeutica di prima linea (1L) con immunoterapia in pazienti con NSCLC avanzato, sviluppato con la Fondazione IRCCS Istituto Nazionale dei Tumori di Milano nell'ambito del progetto APOLLO11. Il sistema elabora i dati del paziente attraverso una pipeline sequenziale fissa che copre analisi delle immagini, costruzione dello stato clinico, recupero delle linee guida, esecuzione di modelli predittivi e ragionamento multi-evidenza, producendo una raccomandazione terapeutica strutturata revisionata tramite un meccanismo human-in-the-loop. Un sistema di memoria distilla lezioni dalle interazioni passate con i clinici per migliorare i casi futuri. La valutazione su cinque configurazioni di modelli su una coorte di 20 pazienti mostra una correttezza delle chiamate ai tool quasi perfetta (98,9%--100%), validando la strategia di scomposizione. La valutazione qualitativa mostra un'accuratezza della raccomandazione terapeutica del 65,0%--90,0%, con Nemotron Nano 30B al primo posto su tutte e cinque le dimensioni valutate. Per quanto ne sappiamo, questo è il primo sistema agentico di supporto decisionale per la raccomandazione terapeutica di prima linea con immunoterapia nell'NSCLC avanzato in un contesto di deployment completamente locale.