FRAC-MAS：用于骨折诊断的安全可解释多智能体系统

当深度视觉模型与代理人工智能架构集成时，骨折检测及其临床可解释性得到显着改善。虽然深度学习模型实现了较高的诊断性能，但其黑盒性质限制了临床采用。我们提出了 FRAC-MAS，这是一种用于自动化、可解释且安全的骨折检测的代理人工智能系统。该框架将四个视觉模型的堆叠集合与保形预测相结合，以产生基于统计的鉴别诊断，而多智能体工作流程则执行独立验证、检索临床指南并生成患者友好的报告。一项管道深度消融研究证实，我们的多智能体批评家将 86.6% 的病例分类为高置信度自动确认队列，同时升级不确定病例，优于单智能体基线。针对 Llama、MedGemma 和 Gemini 的患者偏好研究进一步证明临床报告明显更容易理解。这些结果表明，将多主体批评家与保形保证相结合可以实现更安全的放射学分类，同时保留临床医生的监督。更广泛地说，FRAC-MAS 展示了协作代理架构如何作为可审核的人机循环决策支持系统，用于安全关键型医疗保健。我们的代码位于 https://github.com/hardik1712/FRAC-MAS，网站位于 https://frac-mas.vercel.app。