论文页面 - OPERA：面向通用生物医学图像分析的离线策略引导专家路由与自适应

来源: https://huggingface.co/papers/2607.25108

摘要

生物医学图像分析涵盖多种模态和任务，然而实际部署常因扫描仪、协议和患者群体间的严重分布偏移而受阻。高性能模型因此需要反复进行领域特定微调，这一成本高昂的循环在标签稀缺或隐私限制数据共享时变得不切实际。我们提出 OPERA（离线策略引导专家路由与自适应），一个多智能体集成框架，通过将专家权重分配视为离线策略学习问题来解决部署瓶颈：从小型验证集中学习路由策略，无需对任何专家智能体进行梯度更新，然后结合测试时自适应来应对分布偏移。OPERA 通过互补机制协调异构专家智能体。专家画像模块离线学习选择策略，实现专业知识的合理分配。每个智能体通过温度调整进行置信度校准，确保概率输出更加可靠。OPERA 还融入分布感知自适应——在批次级别利用未标记测试数据的统计动态调整类别权重。实例级路由通过利用模型间一致性和预测熵为每个样本分配最合适的专家。我们在涵盖眼底摄影、胸部X光、CT、MRI和多模态诊断基准的9个数据集上评估OPERA，并在分类、分割和多模态设置中与30多种基线方法进行比较。OPERA 持续提升性能和校准质量，表明离线策略引导的专家智能体协调是实现可部署生物医学AI的实用路径（无需重新训练）。代码已在 https://github.com/HUANGLIZI/OPERA {GitHub} 上公开。

查看 arXiv 页面 (https://arxiv.org/abs/2607.25108)查看 PDF (https://arxiv.org/pdf/2607.25108)项目页面 (https://github.com/HUANGLIZI/OPERA)GitHub1 (https://github.com/HUANGLIZI/OPERA)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.25108)

在您的 agent 中获取此论文:

hf papers read 2607.25108

没有最新的 CLI? curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有链接此论文的模型

请在模型 README.md 中引用 arxiv.org/abs/2607.25108 以在此页面链接。

引用此论文的数据集 0

没有链接此论文的数据集

请在数据集 README.md 中引用 arxiv.org/abs/2607.25108 以在此页面链接。

引用此论文的 Space 0

没有链接此论文的 Space

请在 Space README.md 中引用 arxiv.org/abs/2607.25108 以在此页面链接。

包含此论文的收藏集 0

没有包含此论文的收藏集

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 中以在此页面链接。