代理 AI 框架用于端到端医疗数据推理-计算机科学-人工智能-代理 AI.pdfVIP

代理AI框架用于端到端医疗数据推理

SooryaRamShimgekarShayanVassefAbhayGoyal

UniversityofIllinois-UrbanaChampaignUniversityofIllinois-ChicagoMissouriST

sooryas2@svass@aghnw@

NavinKumarKoustuvSaha

Nimblemind.aiUniversityofIllinois-UrbanaChampaign

navin@nimblemind.aiksaha2@

摘要—在医疗保健中构建和部署机器学习解决方案仍然昂估上[2]。这些工作流程通常需要包括临床医生、数据

本贵且劳动密集，这是因为预处理工作流程分散、模型兼容性问题工程师、机器学习专家和隐私官员在内的大型跨学科团

译以及严格的隐私约束。在这项工作中，我们引入了一个代理AI队[3]，每年给医疗保健机构带来的成本在850,000美元

框架，通过一系列模块化、任务特定的代理自动化了整个临床数

中到150万美元之间[4],[5],[6]。这种依赖性导致延迟、

据管道，从摄取到推断。这些代理能够处理结构化和非结构化数

1据，实现自动特征选择、模型选择和预处理建议，无需人工干预。人为错误和经济压力，特别是对于处理大量患者数据的

v

5我们在老年医学、姑息治疗和结肠镜成像公开可用的数据集上评机构而言[7]。

1估该系统。例如，在结构化数据（焦虑数据）和非结构化数据（结除了成本和可扩展性之外，临床AI应用还面临与

1

肠镜息肉数据）的情况下，管道从“摄取标识代理”检测文件类

8隐私、模型-数据对齐和数据异质性[8],[9]，[10],[11]

1型开始，然后由“数据匿名化代理”确保隐私合规性。首先确定

.相关的额外挑战。诸如《健康保险流通与责任法案》

7数据的类型，然后再进行匿名处理。随后，“特征提取代理”使

0用基于嵌入的方法对表格数据识别特征，这为我们提供了所有列(HIPAA)[12]和《通用数据保护条例》(GDPR)[13]等

5

2名，并使用多阶段MedGemma方法对图像数据进行处理，这法律框架要求严格保护个人健康信息，需要AI系统将

:为我们提供了模态和疾病名称。这些特征指导“模型-数据特征匿名化和可解释性作为默认功能而非附加组件[14]。同

v

i匹配代理”从一个精选的存储库中选择最佳模型。然后，“预处样，模型-数据不匹配，即为现有数据特征选择不适当

x

r理推荐代理”和“预处理实施代理”根据数据类型和模型需求应

a的模型，可能会严重影响性能或可靠性[15]。然而，模

用定制化的预处理。最后，“模型推断代理”运行用户上传的数

型选择仍然是一个领域特定的、手动任务，在高容量或

据上的选定模型，并使用SHAP、LIME和DETR注意力图

等工具生成可解释的输出。通过自动化这些ML生命周期中的时间敏感环境中无法扩展。进一步增加复杂性的是，临

高摩擦阶段，所提出的框架减少了对重复专家干预的需求，为在床数据通常是多模态的、高维度的且标签稀疏。现实世

临床环境中操作化AI提供了一条可扩展且成本高效的途径。界中的部署需要能够自动清洗、解释和标准化各种数据

IndexTerms—医疗AI，代理AI，AI流水线类型的基础设施，尽管在模型架构方面取得了进展，但

这一问题仍然未得到