论文
ActiveMedAgent：用于多模式医疗诊断的成本感知轨迹学习
ActiveMedAgent: Cost-Aware Trajectory Learning for Multimodal Medical Diagnosis
摘要
临床诊断本质上是连续的：只有当额外的证据有望解决诊断的不确定性时，临床医生才会从廉价的检测升级到昂贵的检测。我们提出了 ActiveMedAgent，这是一个将这种成本感知顺序逻辑引入多模式医疗 AI 的框架。给定一个冻结的、API 访问的视觉语言模型，ActiveMedAgent 跟踪候选诊断的概率分布，并通过其每步诊断效用减去成本对每次采集进行评分。然后，轻量级 MLP 控制器在这些评分轨迹上进行离线训练，学习何时请求额外证据以及何时提交。在三个常用的基准中，基于轨迹的政策学习始终优于无引导获取和全模态基线。值得注意的是，我们发现了信息过载效应。在 175 个案例中，智能体用更少的通道做出了正确的诊断，而全模态基线却失败了，这表明学习要省略什么与学习要获取什么一样重要。