2026
Мультиагент –
научный ассистент
для врачей-онкологов
научный ассистент
для врачей-онкологов
о проекте
Сервис, созданный в рамках хакатона «Цифровое здоровье», организованного НМИЦ онкологии им. Н. Н. Петрова и университетом ИТМО. Суть его в том, чтобы помогать врачам-онкологам с поиском релевантных научных материалов. Как дизайнер я, конечно, спроектировала сначала систему с полным функционалом, а дальше выделила MVP, которое смогу реализовать в заданные сроки, и разработала работающее
на основе AI-агентов решение.
на основе AI-агентов решение.
Специфика проекта
Онкология — одна из самых наукоемких областей и количество научных публикаций — исследований, отчетов, гайдлайнов и прочего — огромно. В России ведутся исследования, но чтобы быть полностью внутри контекста, врачу или исследователю необходим доступ к международным базам. Большинство таких баз и агрегаторов материалов, вроде Semantic Scholar, сейчас недоступны в России. Поскольку сфера медицины в целом и онкология в частности очень чувствительны к качеству информации, с учетом которой принимаются решения, тут недопустимы любые фантазии и галлюцинации.
Так что еще до начала работы пришлось зафиксировать пару пунктов, которые повлияли на всю архитектуру проекта.
Так что еще до начала работы пришлось зафиксировать пару пунктов, которые повлияли на всю архитектуру проекта.
Доступная база
Я в итоге остановилась на PubMed: доступной из России базе из более чем 40 млн статей по биомедицинским и биологическим наукам, созданная Национальным центром биотехнологической информации США (NCBI). У нее также хорошо проработанный API, к которому довольно просто обращаться
Интерпретация запроса
Многие научные базы работают с оптимизированными поисковыми запросами, и PubMed — не исключение. Там даже есть стандартизированный тезаурус — MeSH. Но врач, который работает с научными базами нерегулярно, может не только этого не знать, но и английским языком в достаточной степени не владеть
Обоснованность
Врач не должен сомневаться ни в результатах поиска, ни в резюме, которое выдает система. Все ссылки должны быть действительными и вести, по возможности, на открытые для чтения полные материалы. Автор запроса всегда должен понимать, на основании чего система сделала вывод и насколько ценны найденные материалы
Поиск по базе научных публикаций с суммаризацией статей — непростая задача, в которой минимизация галлюцинаций на уровне MVP была достигнута за счет деления процесса на предсказуемые шаги с разделением ролей между агентами. Такой подход также позволил оптимизировать стоимость одного полного запроса до 20 рублей даже с учетом использования LLM YandexGPT Pro во всех агентах.
Базовая логика
Такова структура модулей сервиса на этапе MVP.
Стек MVP: Docker | FastAPI | YandexGPT Pro (API) | Python | HTML/CSS + JS.
В личных исследовательских целях я уже создала версию под OpenAlex (еще более обширная база, без фокуса только на медицинской и биологической тематике), в планах также мигрировать на Hugging Face, суть и принципы сервиса от этого не меняются.
Стек MVP: Docker | FastAPI | YandexGPT Pro (API) | Python | HTML/CSS + JS.
В личных исследовательских целях я уже создала версию под OpenAlex (еще более обширная база, без фокуса только на медицинской и биологической тематике), в планах также мигрировать на Hugging Face, суть и принципы сервиса от этого не меняются.
Результат
Так работают агенты-суммаризаторы. С точки зрения пользовательского опыта мне показалось важным показать пользователю буквально, на основании какого количества материалов выдано резюме, ну и поскольку для скорости анализируются на этапе MVP только аннотации, система
это также явным образом указывает.
это также явным образом указывает.
Дизайн-система
В довольно высокой степени дизайн-концепция опирается на Material Design 3, а также устоявшиеся практики в части интерфейсов к популярным нейросетям. Но есть и пара нюансов.
