适用于 无需训练 神经放射图像分析的 Agentic 大语言模型

最先进的 大语言模型 (LLM) 在一般视觉问答中表现出高性能。然而，一个根本的限制仍然存在：当前的架构缺乏直接分析体积医学成像（例如 CT 或 MRI）所需的原生3D 空间推理。新兴的Agent提供了一种新的解决方案，通过使 LLM 能够编排和利用专门的外部工具，消除了对内在 3D 处理的需求。然而，这种代理框架在复杂、多步骤的放射学工作流程中的可行性仍未得到充分探索。在这项工作中，我们提出了用于自动脑 MRI 分析的 无需训练 代理管道。使用现成的特定领域工具在多个 LLM（GPT-5.4、Gemini 3.1 Pro、Claude Sonnet 4.6）上验证我们的方法，我们的系统自动执行复杂的端到端工作流程，包括预处理（颅骨剥离、配准）、病理分割（神经胶质瘤、脑膜瘤、转移）和体积推理。我们在日益复杂的放射学任务中评估我们的框架，从单次扫描肿瘤和解剖分析到需要多时间点比较的纵向反应评估。我们通过将单代理模型与多代理“领域专家”协作进行比较来分析架构设计的影响。为了支持对未来代理系统的严格评估，我们发布了从公共数据派生的图像提示答案元组的基准数据集。我们的结果表明，代理 AI 可以通过使用工具来解决高度神经放射图像分析任务，而无需训练或 微调。