论文
DoctorAgents：迭代改进小规模临床时序数据AutoML管线的Agentic框架
DoctorAgents: an agentic framework to iteratively refine AutoML pipeline for small clinical temporal data
摘要
临床机器学习（ML）在支持高风险医疗决策方面具有潜力，但可靠部署往往受限于稀缺、多样性和时间依赖性复杂性。为此类数据开发有效的ML管道仍然耗时且错误频发，而现有的自动机器学习（AutoML）系统主要通过大量搜索预定义空间来解决这一挑战，缺乏明确的推理和记忆能力。因此，我们重新构想针对小临床数据的AutoML，从彻底搜索转向基于推理的细化。我们提出DoctorAgents，这是一种自主构建并优化端到端ML管道的agentic AI框架，通过专门的大语言模型（LLM）代理进行生成、验证和细化。DoctorAgents通过自然语言反馈执行文本梯度下降，实现有针对性的更新，而无需彻底搜索。在不同临床任务上的实验结果表明，DoctorAgents始终优于现有的AutoML基准，并且能够产生更可解释的任务特定表示。
