通过经验驱动的自技能发现进化医学影像Agent

临床影像解读本质上是多步骤、以工具为中心的：临床医生迭代地结合视觉证据与患者上下文、量化发现，并通过一系列专门化流程完善其决策。虽然基于LLM的Agent有望编排此类异构医疗工具，但现有系统在部署后将工具集与调用策略视为静态。这种设计在真实世界的域偏移、跨任务以及不断演化的诊断需求下是脆弱的，预定义工具链经常退化并需要昂贵的人工重设计。我们提出MACRO，一个自进化、经验增强的医学Agent，从静态工具组合转向经验驱动的工具发现。Agent从经验证的执行轨迹中自主识别反复出现的有效多步骤工具序列，将其合成为可复用的复合工具，并注册为新的高层原语，持续扩展其行为库。轻量的图像特征记忆将工具选择接地于视觉-临床上下文，而类GRPO的训练循环强化对已发现复合工具的可靠调用，实现最少监督下的闭环自我改进。跨多样医学影像数据集与任务的大量实验表明，自主复合工具发现始终提升多步骤编排精度和跨域泛化，优于强基线和最新的SOTA Agentic方法，弥合了脆弱的静态工具使用与自适应、上下文感知的临床AI辅助之间的差距。代码将在接收后提供。