论文
超越相关性：用于代理全幻灯片图像推理的贝叶斯证据获取
Beyond Relevance: Bayesian Evidence Acquisition for Agentic Whole-Slide Image Reasoning
摘要
全幻灯片图像（WSI）推理要求代理在回答诊断问题之前顺序获取视觉证据。现有的 无需训练 代理框架将此过程制定为基于与问题的语义相关性的迭代补丁检索。然而，语义相关性并不一定意味着计算病理学中的诊断信息，其中竞争诊断通常表现出相似和重叠的形态模式，使得许多补丁在语义上相关但在诊断上没有区别。因此，基于相关性的检索可能会获得冗余的观察结果并留下未解决的诊断不确定性。我们提出了 BEACON，一种即插即用的代理框架，它将 WSI 推理重新表述为贝叶斯证据获取问题。 BEACON 对竞争的诊断假设保持概率信念，并通过最大化预期信息增益 (EIG) 来顺序获取补丁，以减少诊断不确定性。然后，证据控制者决定是否回答、获取额外证据或执行更高分辨率的检查。 BEACON 完全由现成的基础模型构建而成，不需要额外的训练或 微调。跨五个 WSI-VQA 基准的广泛零样本实验表明，BEACON 在 无需训练 代理框架中实现了最强的整体性能，同时大幅提高了证据获取效率，将贝叶斯证据获取建立为不确定性感知代理 WSI 推理的原则范例。代码可在 https://github.com/bryanwong17/BEACON 获取