迈向自主和可审计的医学成像模型开发

大语言模型 (LLM) 代理开始通过耦合规划、代码执行、调试和经验反馈来实现机器学习工程 (MLE) 的自动化。将这种能力转化为医学成像仍然很困难，因为每项任务都强加了特定于模态的实验以及对验证协议和预测工件的严格要求。在这里，我们介绍 AMID，一个用于医学成像模型开发的自主多智能体框架。 AMID 首先提出了数据条件方法规划，它将粗略的任务级搜索空间细化为基于任务特定数据分析和可运行的医学成像资源的可执行、可并行的方法通道。然后，它开发了验证引导的两阶段优化，从对不同方法通道的广泛早期探索转向有选择地利用有前途的候选方案，同时在整个优化过程中对验证协议、度量计算和预测工件进行严格验证。在涵盖不同模式和预测类型的 20 项医学成像挑战任务中，AMID 的表现优于经过评估的通用 MLE 系统，并且在多项任务中，接近或匹配强大的人工设计挑战解决方案。这些结果表明，AMID 可以将特定于任务的医学成像模型开发从定制的手动工程转变为代理工作流程，用于跨异构任务生成高性能且可审核的模型工件。