一句话总结

来自香港中文大学、中国科学院自动化研究所、微软研究院等机构的研究团队提出AMID，一个用于医学影像模型开发的自主多Agent框架，采用数据条件方法规划与验证引导的两阶段优化，在20个多样化的医学影像任务中，生成高性能且可审计的模型工件，优于通用机器学习工程系统。

核心贡献

• AMID引入数据条件方法规划，将粗粒度的任务级搜索空间细化为可执行、可并行的方案路径，依赖任务特定的数据分析和可运行的医学影像资源。
• 该框架实现验证引导的两阶段优化，从多样方案路径的广泛探索转向对高潜力候选方案的选择性利用，并严格验证验证协议、指标计算和预测工件。
• 在20个医学影像挑战任务中，AMID优于评估的通用MLE系统，并在多个任务上接近或匹敌强的人工设计挑战方案，表明领域条件规划与工件级验证对于生成高性能、可审计的模型工件至关重要。

引言

大语言模型Agent通过迭代的反馈驱动循环自动化机器学习工程，但现有系统在医学影像任务中面临困难，因为预处理、建模和评估中的领域特定约束至关重要。通用Agent往往在粗粒度流水线上搜索，导致医学上不恰当的选择，其反馈在昂贵、延迟验证和严格的患者级划分下可能不可靠。作者提出AMID，一个自主多Agent框架，通过数据条件方法规划细化任务特定的方案路径，并通过两阶段优化过程强制验证所有实验证据，最终生成可审计、可直接提交的模型工件。

方法

作者利用AMID，一个自主医学影像模型开发框架，将医学影像任务转化为可审计的模型包。该系统通过一个数据条件与验证控制的Agent工作流运行。

工作流始于任务初始化，系统建立任务合约并分析输入数据。随后，这些证据通过数据条件方法规划转换为可执行的方案路径。规划模块首先构建基于证据的公开任务视图档案，分析模态、几何和结构。然后，通过查询本地资源库和外部基础模型，执行资源导向的方法搜索，构建混合方法图。输出是一组可执行的方案路径，例如nnU-Net分割、基础模型适应或数据增强策略。每条路径包含一个建模假设、所需资源和验证义务。

一旦方案路径建立，自组织Agent循环协调执行。一个中央生命周期管理器分配、转移、停用或重启多个Agent会话。每个会话在其自身的上下文中自主运行，循环经历反思、规划和编码阶段。这些Agent与各种运行时后端交互，并维护一个共享工件记忆。该记忆存储资源、技能、分数、检查点、笔记和报告，确保证据不被隐藏在私有的聊天历史中，并允许Agent检查之前的尝试，避免已知失败。

优化过程由验证引导的两阶段优化管理。第一阶段，行为门控探索，工作Agent分布在不同的方法族中提交尝试。一个独立的审查者对照活跃的验证协议检查每个提交，确保指标正确性和工件有效性，然后才将其计入真实的方案覆盖率。一旦达到足够的覆盖率且观察到平台行为，升级门会选择顶级候选方案。第二阶段，选择性利用，系统将计算资源集中到这些升级的候选方案上。工作Agent通过模型调优、集成改变或后处理来精炼领先的配方，而修复Agent则解决协议失败。最终的提交协议和Agent审查者确保只有高性能且完全验证的模型包被接受为最终解决方案。

实验

AMID在ReX-MLE基准的20个医学影像任务上评估，在24小时预算和单个GPU下，在19个任务上优于先前的自主系统，在分割和检测中增益最大。其优势源于对方案路径的结构化搜索、领域特定适应和系统化工件验证，案例研究表明它利用解剖先验、病理基础模型和任务特定后处理，将之前失败的任务转化为有效解决方案。在超声增强和血管分类中的失败暴露了长距离图像转换和耦合分割-分类流水线的剩余局限性，而整体设计表明，组织并验证模型构建过程，而非仅仅更强的后端，驱动了稳健的竞争性能。

在20个医学影像挑战中，采用Codex+GPT-5.5后端的AMID在每个任务上生成了有效结果，并在19个任务上优于最佳自主MLE基线，分割和检测的增益最大。它将之前失败或接近零的分割运行转化为可信的分数（超过0.5 Dice），并在多个检测和图像质量任务上达到或超过人类参考性能。AMID将ISLES'22的Dice提高了+0.67，SEG.A的Dice提高了+0.89，而将PUMA组织分割从接近零提升到超过0.5 Dice。检测增益包括DENTEX的AP +0.40和PUMA-T1核检测的F1 +0.46。在DENTEX、NeurIPS-CellSeg、PUMA-T2-Det和LDCT-IQA上，AMID达到或超过了原始人类参考性能。AMID为所有20个任务实现了有效的接受结果，仅在TopCoW-CTA-Cls上未能超越基线，打成平手。

在统一的GPT-5.5后端下，AMID在所有三个代表性任务上优于最佳基线Agent，其中DENTEX检测的增益最大。该优势在Codex+GPT-5.5和Claude Code运行时配置中均持续存在，表明系统的搜索组织和验证，而非模型后端本身，驱动了改进。在共享GPT-5.5后端下，AMID在DENTEX上达到0.49 AP，而最强基线仅达到0.08 AP。AMID的Claude Code配置在PUMA-T1-Seg上Dice最高（0.64），在TopCoW-MRA-Cls上准确率最高（0.50），均超过基线和Codex变体。

AMID在20个多样化的医学影像挑战中评估，在每个任务上生成了有效结果，并在19个任务上优于最佳自主MLE基线，将之前失败的分割运行转化为可信分数，并在多个检测和图像质量任务上达到或超过人类参考性能。使用统一GPT-5.5后端的受控实验证实，系统的结构化搜索组织和验证，而非模型后端本身，驱动了改进，且该优势在不同运行时配置中持续存在。结果表明，AMID鲁棒地处理了基线Agent无法有意义处理的任务，将接近零的分数转化为强大性能。