编码智能体 能否建立稳健的基线？基于技能的医学成像模型开发流程自动化方法

为医学成像开发有竞争力的深度学习基线仍然是一个高度迭代的过程，需要文献回顾、实施、实验和专家改进。现有的自动化方法通常优化孤立的组件，例如架构搜索或超参数调整，而不是完整的基线开发过程。我们提出了一种智能体AI科学家工作流程，结合了文献引导推理、自动代码生成和假设驱动的实验，为医学成像挑战生成有竞争力的基线模型。该框架根据分割、分类和检测的四个公共基准进行评估。在所有任务中，实验管道不断提高验证性能，取得具有竞争力的排行榜结果，包括在 PUMA 赛道（15 支球队）上排名第 6 名，在 MILK10k（125 支球队）上排名第 31 名。在 MIDOG25 上，生成的模型还展示了跨扫描仪、肿瘤类型和物种的强大领域泛化能力。在所有挑战中使用相同的工作流程，无需针对特定任务进行重新设计，我们证明基于技能、文献指导的代理工作流程可以大大减少开发有竞争力的医学成像基线所需的工程工作量。