迈向虚拟神经科学家：经多智能体协作的自主神经影像分析

将神经影像数据转化为临床上可行的生物标志物是一个知识密集型和劳动密集型的过程。 fMRIPrep 等标准化工作流程提高了稳健性和效率，但它们是静态配置的，无法推理下游目标、仔细考虑替代策略或以人类研究人员的方式关闭中间证据和后续决策之间的循环。这种闭环适应的缺乏常常使领域专家陷入手动试错的循环中，以调整参数和修复管道故障，严重限制了临床生物标志物开发的可扩展性。为了弥补这一差距，我们引入了 NIAgent，这是一个用于自主端到端神经影像分析的多代理系统。与传统的平面工具调用代理不同，NIAgent 采用以代码为中心的执行范例，其中专业代理通过可组合的特定于域的原语协作合成和优化可执行程序。这种设计可实现稳健、长期的工作流程构建，动态适应运行时观察。此外，我们提出了一个用于自主质量控制的分层验证框架，将队列级别的指标筛选与代理视觉检查相结合，以推动基于证据的工作流程补救。 ADHD-200 和 ADNI 上的实验表明，NIAgent 在预测性能方面优于基于标准工作流的基线，同时表现出复杂的代理行为，包括策略探索和自适应细化。