ActiveMedAgent：面向多模态医学诊断的成本感知轨迹学习
ActiveMedAgent: Cost-Aware Trajectory Learning for Multimodal Medical Diagnosis
精选理由
提出成本感知的多模态诊断策略，以更少检查提升准确率并避免信息过载。
AI 摘要
arXiv:2610.11140v1 公告类型：新投稿 摘要：临床诊断本质上是一个序贯过程：只有在预期新增证据能够消除诊断不确定性时，临床医生才会从低成本检查逐步转向高成本检查。我们提出 ActiveMedAgent，这是一个将这种成本感知的序贯逻辑引入多模态医学人工智能的框架。在使用参数冻结、通过 API 访问的视觉语言模型的情况下，ActiveMedAgent 跟踪候选诊断的概率分布，并以每一步的诊断效用减去成本，对每次信息获取进行评分。随后，基于这些已评分的轨迹离线训练一个轻量级 MLP 控制器，使其学习何时请求更多证据，以及何时作出最终诊断。在三个常用基准上，基于轨迹的策略学习始终优于无引导的信息获取方法和全模态基线。值得注意的是，我们发现了一种信息过载效应。在 175 个病例中，该智能体利用更少的信息通道得出了正确诊断，而全模态基线却未能正确诊断，这表明，学习省略哪些信息可能与学习获取哪些信息同样重要。