论文页面 - 走向自主且可审计的医学影像模型开发

来源: https://huggingface.co/papers/2607.10522 作者:

,

,

,

,

,

,

,

,

,

摘要

大语言模型（LLM）智能体正通过结合规划、代码执行、调试和经验反馈，开始自动化机器学习工程（MLE）。将这一能力迁移到医学影像仍面临困难，因为每项任务都施加了针对特定模态的实验要求、严格的验证协议标准以及预测工件的约束。本文提出AMID，一个用于医学影像模型开发的自主多智能体框架。AMID首先提出数据条件化方法规划（Data-Conditioned Method Planning），将粗糙的任务级搜索空间精炼为可执行、可并行化的方法通道（method lanes），这些通道基于任务特定数据分析和可运行的医学影像资源。随后，它发展出验证引导的两阶段优化（Verification-Guided Two-Stage Optimization），从对多样化方法通道的广泛早期探索转向对有前景候选者的选择性利用，同时在优化全程对验证协议、指标计算和预测工件实施严格验证。在跨越多种模态和预测类型的20项医学影像挑战任务中，AMID的表现优于所评估的通用MLE系统，并在几项任务上接近或媲美人类设计的强挑战解决方案。这些结果表明，AMID能够将特定任务的医学影像模型开发从定制的繁琐手工工程转化为一种智能体工作流，从而在异质任务中产生高性能且可审计的模型工件。

查看 arXiv 页面 (https://arxiv.org/abs/2607.10522) 查看 PDF (https://arxiv.org/pdf/2607.10522) GitHub (9) (https://github.com/CUHK-AIM-Group/AMID) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.10522)

在你的智能体中获取该论文：

hf papers read 2607.10522

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

引用该论文的模型 (0)

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.10522 以在此页面建立链接。

引用该论文的数据集 (0)

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.10522 以在此页面建立链接。

引用该论文的 Spaces (0)

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.10522 以在此页面建立链接。

包含该论文的收藏 (0)

无收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以在此页面建立链接。