SCOPE-AD：利用基于能量的模型进行诊断智能体的序列成本感知序数信念规划

阿尔茨海默病（AD）的诊断需要在测试成本和患者负担存在异质性的情况下，按序获取证据。固定模态预测器无法同时决定应获取哪项测试，以及现有证据何时已足以完成诊断。我们提出 SCOPE-AD（利用基于能量的模型进行诊断智能体的序列成本感知序数信念规划），用于对认知正常（CN）、轻度认知障碍（MCI）和 AD 病例进行成本感知分类。一个掩码感知序数模型用于表示沿有序 CN--MCI--AD 连续谱的​​不确定性。回顾性训练记录为基于能量的教师模型提供采样得到的 Bellman 目标，并将其动作分布蒸馏到 Qwen 策略中。在部署时，该智能体在可用性和预算约束下选择获取动作或诊断动作，而无法访问尚未获取的数值。每次获取后，系统都会更新证据和序数信念，再进行下一次决策。在 ADNI 上，SCOPE-AD 以平均获取成本 \$50.46 达到 77.70\% 的 Macro-F1，较评估中最强的基线高出 9.34 个百分点。全模态评估仅使 Macro-F1 提升 1.89 个百分点，却使获取成本增加 116.7 倍。这些结果支持通过选择性获取实现高性价比诊断。