Camyla：医学图像分割中自主研究的规模化

我们提出Camyla，一个在医学图像分割科学领域内实现完全自主研究的系统。Camyla无需人工干预，即可将原始数据集转化为有文献依据的研究提案、可执行的实验以及完整的手稿。长时程自主实验带来三个相互关联的挑战：搜索精力漂移向无前景的方向，早期试验的知识随上下文累积而退化，从失败中恢复则退化为重复性的增量修补。为应对这些挑战，该系统结合了三种耦合机制：用于在各竞争提案之间分配精力的质量加权分支探索（Quality-Weighted Branch Exploration）、用于以多种粒度保留并压缩跨试验知识的分层反思记忆（Layered Reflective Memory），以及用于在试验表现不佳后使恢复路径多样化的发散式诊断反馈（Divergent Diagnostic Feedback）。该系统在CamylaBench上进行评估——这是一个完全由2025年文献构建、包含31个数据集的无污染基准——遵循严格的零干预协议，在8-GPU集群上于总计28天内完成两次独立运行。在两次运行中，Camyla生成了超过2700个新模型实现和40份完整手稿，并在相同训练预算下，在31个数据集中的22个和18个上分别超越了从包含nnU-Net在内的14种成熟架构中选出的最强单数据集基线（并集：24/31）。资深人工审稿人将生成的手稿评为当代医学影像期刊的T1/T2分界水平。相对于自动化基线，Camyla在聚合分割性能上胜过AutoML与NAS系统，并在任务完成率与超越基线频率上超过六个开放式研究智能体。这些结果表明，领域规模的自主研究在医学图像分割中是可以实现的。