Towards Autonomous and Auditable Medical Imaging Model Development
自主可审计的医学影像模型开发多智能体框架
🧭 多智能体协作驱动自动化模型开发
The Chinese University of Hong Kong · Institute of Automation, Chinese Academy of Sciences · Microsoft Research · Lehigh University · Independent Researcher
提出 AMID 多智能体框架，通过数据条件方法规划与验证引导两阶段优化，实现医学影像模型开发自主化
📌 工作参考价值
- 数据条件的方法规划：根据任务数据分析（特征分布、数据质量等）将粗粒度搜索空间细化为可执行的并行探索路径，可迁移至推荐系统的自动特征工程和模型架构搜索，避免盲目超参试探。
- 验证引导的两阶段优化：先广泛探索再聚焦高潜力候选，并在全流程强制校验验证协议、指标计算和输出物，适用于电商推荐模型的 AB 实验自动优化与合规检查，减少人工介入。
- 多智能体协作流水线：计划、执行、验证等 agent 分工协作，可参考搭建推荐模型开发的自主迭代闭环，从数据到上线全链路自动化。
- 强调可审计性：对预测产物和流程的强制验证思路，可借鉴用于生成式推荐中确保生成内容的安全性与一致性，或广告创意自动化审核。
动机：大型语言模型智能体已开始自动化机器学习工程，但医学影像领域因模态特异性实验需求和严格的验证协议，通用系统难以胜任。需要一种自主且可审计的模型开发方案。
方法关键点：
- 数据条件方法规划：根据任务数据分析和可运行资源，将粗粒度搜索空间细化为可执行、可并行的方法车道，避免无效搜索。
- 验证引导两阶段优化：第一阶段进行行为门控的广泛探索，并行评估多样方法组合；第二阶段聚焦有前途的候选进行选择性利用，并强制执行验证协议、指标计算和预测产物审计。
- 多智能体架构：不同智能体负责规划、编码、调试、验证，形成协同开发流水线。
关键结果：在20个医学影像挑战任务（不同模态和预测类型）上，AMID 全面优于通用 MLE 系统，并在多个任务上接近或达到人类专家设计的解决方案水平，验证了将手动工程转化为可审计的代理工作流的可行性。