NeuroAgent：面向多模态神经影像分析与研究的LLM智能体

多模态神经影像分析通常涉及复杂的、特定模态的预处理工作流程，需要仔细配置、质量控制和跨异构工具链的协调。除了预处理之外，下游统计分析和疾病分类通常需要特定于任务的代码、评估协议和数据格式约定，这在原始采集和可重复的科学分析之间造成了额外的障碍。我们推出 NeuroAgent，这是一个LLM驱动的代理框架，可自动执行异构神经影像数据（包括 sMRI、fMRI、dMRI 和 PET）的关键预处理和分析步骤，并通过自然语言查询支持交互式下游分析。 NeuroAgent 采用分层多代理架构，具有反馈驱动的生成-执行-验证引擎：代理自主生成可执行的预处理代码，检测运行时错误并从中恢复，并验证输出完整性。我们对所有 ADNI 阶段的 1,470 名受试者（CN=1,000，AD=470）评估了该系统，其中所有受试者都有 sMRI 和表格数据，子集还具有 Tau-PET (n=469)、fMRI (n=278) 和 DTI (n=620$)。跨多个 LLM 后端的管道消融研究表明，有能力的模型达到了 100% 的意图解析准确性，其中最强的后端 (Qwen3.5-27B) 达到了 84.8% 的端到端预处理步骤正确性。自动恢复限制了对需要通过人机环路界面进行人工审查的边缘情况的手动干预。对于使用自动预处理的多模态数据进行阿尔茨海默氏病分类，我们的智能体整体在四种模态下实现了 0.9518 的 AUC，优于所有单模态基线。这些结果表明，NeuroAgent 可以减少神经影像预处理所需的手动工作，并为神经影像研究提供端到端的自动化分析流程。