| # 🧬 OncoAgent — Sistema Multi-Agente de Triaje Oncológico |
|
|
|  |
|  |
|  |
|  |
|  |
|
|
| > **AMD Developer Hackathon 2026** · Potenciado por AMD Instinct™ MI300X · ROCm 7.2 |
|
|
| ## 🌍 100% Código Abierto: Democratizando la Oncología |
| OncoAgent es orgullosamente 100% de código abierto. Creemos que la inteligencia clínica capaz de salvar vidas no debería estar bloqueada tras APIs propietarias. Nuestra solución está diseñada para: |
| - **Garantizar la Privacidad del Paciente:** Ejecutarse localmente en hardware AMD MI300X o nubes privadas, asegurando que ningún dato del paciente abandone el hospital. |
| - **Fomentar la Contribución Global:** Permitir a las comunidades médicas de todo el mundo auditar, modificar y contribuir fácilmente a la base de conocimiento RAG. |
|
|
| OncoAgent es un sistema de triaje clínico multi-agente de última generación diseñado para combatir la **ceguera por datos no estructurados** en la oncología de atención primaria. Aprovecha una arquitectura adaptativa por niveles con modelos **Qwen 3.5-9B** (Triaje Rápido) y **Qwen 3.6-27B** (Razonamiento Profundo). Orquestado a través de una sofisticada máquina de estados de LangGraph, proporciona razonamiento oncológico basado en evidencia estrictamente fundamentado en las guías clínicas de NCCN/ESMO, con puertas de seguridad de validación humana (HITL) integradas y un bucle de crítica basado en Reflexion. |
|
|
| --- |
|
|
| ## 🏗️ Arquitectura |
|
|
| ``` |
| ┌────────┐ ┌─────────┐ ┌─────────┐ ┌────────────┐ ┌────────────┐ ┌─────────┐ |
| │ Router │──▶│Ingestión│──▶│ RAG │──▶│Especialista│◀────│ Crítico │ │Formateo │ |
| │(Triaje)│ │ (PHI) │ │Correctiv│ │ (Qwen 9B/ │ │(Validación │ │(Salida) │ |
| └────────┘ └─────────┘ └─────────┘ │ 27B) │────▶│ Reflexion) │ └─────────┘ |
| │ │ │ └────────────┘ └────────────┘ ▲ |
| │ │ │ │ │ │ |
| ▼ ▼ ▼ ▼ ▼ │ |
| ┌───────────────────────────────────────────────────────────────────┐ ┌────────────┐ |
| │ Nodo de Respaldo (Fallback) │ │Puerta HITL │ |
| └───────────────────────────────────────────────────────────────────┘ │(Agudeza) │ |
| └────────────┘ |
| ``` |
|
|
| **Componentes Principales:** |
|
|
| | Módulo | Descripción | |
| |--------|-------------| |
| | `data_prep/` | Constructor del dataset: PMC-Patients/OncoCoT → Strict JSONL (Plantilla chat de Llama 3) | |
| | `rag_engine/` | El "Cerebro": Extracción PyMuPDF, Semantic Chunking Adaptativo de PDFs NCCN/ESMO, & Vectorización ChromaDB + PubMedBERT. | |
| | `agents/` | El "Razonamiento": Orquestación multi-agente LangGraph (Router → Corrective RAG → Specialist ↔ Critic → HITL Gate). | |
| | `ui/` | La "Cara": Interfaz Gradio 6 con Glassmorphism para input clínico, citas en tiempo real y salida estructurada. | |
|
|
| --- |
|
|
| ## 🧠 Estrategia de Modelo Dual-Tier (Qwen) |
|
|
| Para maximizar las capacidades de cómputo del **AMD MI300X**, OncoAgent implementa una estrategia de enrutamiento dinámica de **Doble Nivel (Dual-Tier)** utilizando la familia de modelos Qwen. **Ambos niveles (tiers) han sido ajustados (fine-tuned) en más de 200,000 casos oncológicos clínicos reales, cubriendo todos los tipos principales de cáncer** (derivados de los datasets PMC-Patients y OncoCoT) para garantizar un razonamiento médico hiper-especializado: |
|
|
| - **Tier 1: Qwen 3.5-9B (Speed Triage):** Un modelo extremadamente rápido y ligero usado por el `Router` para evaluar la complejidad inicial, realizar triaje simple y procesar consultas de bajo riesgo. |
| - **Tier 2: Qwen 3.6-27B (Deep Reasoning):** El modelo pesado. Se activa para casos clínicos de alta complejidad (ej. metástasis, mutaciones múltiples). Realiza un razonamiento profundo y verificaciones de entrelazamiento (entailment checks), evitando el sesgo de confirmación mediante rigurosos bucles de Reflexion. |
|
|
| --- |
|
|
| ## ⚡ Objetivo de Hardware |
|
|
| - **GPU:** AMD Instinct™ MI300X (192GB HBM3) |
| - **Pila de Software:** ROCm 7.2.x, PyTorch (HIP), vLLM con PagedAttention |
| - **Modelos:** `Qwen/Qwen3.5-9B` (Triaje Rápido) y `Qwen/Qwen3.6-27B-Instruct` (Razonamiento Profundo) |
| - **Precisión:** QLoRA 4-bit NormalFloat4 vía `bitsandbytes` (Compatible con ROCm) |
|
|
| --- |
|
|
| ## 🚀 Inicio Rápido |
|
|
| ```bash |
| # 1. Clonar y configurar |
| git clone <repo-url> |
| cd OncoAgent |
| |
| # 2. Instalar dependencias |
| python -m venv .venv |
| source .venv/bin/activate |
| pip install -r requirements.txt |
| |
| # 3. Iniciar Servidor de Inferencia (vLLM en Docker) |
| # Esto levanta los modelos Qwen optimizados para AMD MI300X vía ROCm PagedAttention |
| docker run --device /dev/kfd --device /dev/dri -p 8000:8000 rocm/vllm:latest \ |
| --model Qwen/Qwen3.6-27B-Instruct --tensor-parallel-size 1 |
| |
| # 4. Configurar entorno y ejecutar interfaz |
| cp .env.example .env |
| # Configurar VLLM_API_BASE=http://localhost:8000/v1 en .env |
| python -m ui.app |
| ``` |
|
|
| --- |
|
|
| ## 📁 Estructura del Proyecto |
|
|
| ``` |
| ├── docs/ # Documentación e investigación |
| │ ├── research/ # Documentos de análisis de investigación profunda |
| │ ├── ADR/ # Registros de Decisiones Arquitectónicas (ADRs) |
| │ ├── oncoagent_master_directive.md |
| │ └── antigravity_rules.md |
| ├── data_prep/ # Preparación de conjuntos de datos (Fase 0) |
| ├── rag_engine/ # Ingestión y recuperación de RAG (Fase 0-3) |
| ├── agents/ # Orquestación LangGraph (Fase 3) |
| ├── ui/ # Frontend en Gradio (Fase 4) |
| ├── tests/ # Pruebas unitarias e integración |
| ├── scripts/ # Scripts de utilidad |
| ├── logs/ # Bitácora (Paper log) y de redes sociales |
| ├── requirements.txt # Dependencias fijadas |
| └── Dockerfile # Despliegue en HF Spaces |
| ``` |
|
|
| --- |
|
|
| ## 🩺 Garantías de Seguridad |
|
|
| - **Bucle Crítico basado en Reflexion:** Un nodo de seguridad dedicado audita la salida del Especialista contra el contexto RAG (verificación de implicación). Obliga al Especialista a regenerar su salida si detecta afirmaciones sin fundamento o dosis inventadas. |
| - **Puerta de Aprobación Humana (HITL):** Un punto de control basado en la agudeza clínica que detiene el flujo para la aprobación de un médico humano en casos de alto riesgo (ej. Estadio IV + mutaciones complejas). |
| - **RAG Correctivo:** El sistema evalúa la relevancia del contexto recuperado. Si no se encuentra evidencia suficiente, se activa un respaldo seguro en lugar de intentar adivinar. |
| - **Cero-PHI (Cero Información Médica Privada):** Redacción de PII basada en expresiones regulares antes de cualquier procesamiento. |
| - **Reproducibilidad:** Semillas fijas (`torch.manual_seed(42)`) en todos los scripts de ML. |
|
|
| --- |
|
|
| ## 📄 Licencia |
|
|
| Este proyecto fue construido para el AMD Developer Hackathon 2026. |
|
|
| --- |
|
|
| ## 👥 Equipo |
|
|
| Construido con ❤️ y AMD Instinct MI300X. |
|
|
