Evo-RAD：通过自我进化代理检索进行罕见视网膜疾病诊断

大规模预训练基础模型彻底改变了一般医学筛查，但在罕见疾病方面往往表现不佳，因为此类疾病在现实世界的临床数据集中代表性不足。虽然检索增强诊断试图缓解这一问题，但传统的静态方法经常屈服于中心问题，检索视觉上相似但语义上不正确的常见疾病。为了解决这个问题，我们提出了 Evo-RAD，这是一种自我进化的代理框架，可将证据获取转变为动态决策任务。我们将检索制定为马尔可夫决策过程 (MDP)，其中基于图的代理观察参考集状态并执行操作以清除不一致的证据 (DELETE)、获取病理上一致的样本 (INSERT) 或得出演化结论 (TERMINATE)。通过具有同质性感知奖励的组相对策略优化（GRPO）进行优化，代理学习最大化支持参考集的诊断同质性。视网膜疾病基准实验表明，Evo-RAD 显着改善了罕见疾病的诊断，优于视网膜基础模型 +21.04%，同时也超过基于检索和参数高效的 微调 方法 +3.56%。代码可在 https://github.com/SDH-Lab/Evo-RAD 获取。