TopoAgent：医学成像中自动拓扑学习的代理框架

拓扑数据分析（TDA），特别是持久同源性（PH），捕获医学图像中的几何结构特性（例如，连接的组件、循环、形状特征），而传统的像素级深度学习方法经常忽略这些特性。虽然许多拓扑描述符用于将持久图（PD）或原始图像转换为拓扑特征向量，但现有方法大多默认为单个固定描述符（例如持久图像），从而很大程度上未探索拓扑表示的多样性。据我们所知，还没有已知的基于 大语言模型 (LLM) 的代理框架可以自动确定给定图像数据集最合适的拓扑描述符，并为下游任务生成相应的拓扑特征向量。为了填补这一空白，我们提出了 \textbf{TopoAgent}，这是一个基于 LLM 的代理框架，可自动进行医学图像分析的拓扑学习。TopoAgent 通过感知-推理-行动-反射循环进行操作，该循环由 21 个特定领域工具和双内存支持，可在运行过程中积累经验。其技能集是从对 26 个数据集和 6 个分类器的 15 个拓扑描述符进行系统评估中提炼出来的。 TopoAgent 分析输入图像及其拓扑特征、拓扑描述符最适合输入的原因，并确定最佳描述符及其配置，所有这些都不需要特定于任务的训练。