Technische Samenvatting: TopoAgent

Probleemstelling

Topologische Data-Analyse (TDA), specifiek Persistente Homologie (PH), legt geometrische structurele eigenschappen vast in medische beelden (bijv. verbonden componenten, lussen, vormkenmerken) die conventionele pixelgebaseerde deep learning vaak verwaarlozen. Om deze inzichten te benutten, vertrouwen onderzoekers op topologische descriptoren om persistentiediagrammen (PD's) of ruwe beelden om te zetten in vectoren met een vaste lengte. Echter, geen enkele descriptor is universeel effectief voor alle datasets; elke codeert specifieke geometrische kenmerken met specifieke wiskundige eigenschappen, hyperparameters en faalmodi.

Het bepalen van de optimale descriptor voor een gegeven beeldset is momenteel een handmatig, door expertise afhankelijk proces dat gebaseerd is op trial-and-error. Dit wordt verergerd door het gebrek aan gestandaardiseerde benchmarks voor het vergelijken van descriptoren over diverse medische morfologieën. Bov�elijke hebben Large Language Model (LLM)-gebaseerde agenten veelbelovend gebleken in medische AI, maar er bestaat geen bestaand framework dat automatisch PH kan berekenen, over topologische structuren kan redeneren en geschikte topologische featurevectoren kan produceren voor downstream taken zonder taakspecifieke training.

Methodologie: TopoAgent Framework

De auteurs stellen TopoAgent voor, een LLM-gebaseerd agentic framework ontworpen om topologie-leren te automatiseren. Het werkt via een Perceptie–Redenering–Actie–Reflectie (PRAR) loop, ondersteund door een gedestilleerde skill set en dual geheugen, zonder dat taakspecifieke training vereist is.

1. Kerncomponenten

• Toolset (21 Tools):
  • Perceptie Tools (6): Afhandeling van beeldverwerking, kwaliteitsanalyse, denoising, PH-berekening (via GUDHI met cubical complex filtratie), PH-profielextractie en Betti-ratio berekening.
  • Descriptor Tools (15): Een bibliotheek van 15 topologische descriptoren, inclusend 10 PH-gebaseerde (bijv. Persistence Images, Persistence Landscapes) en 5 beeldgebaseerde (bijv. Minkowski functionalen, Euler characteristic transform).
• Skill Set ($S$): Een statische kennisbasis die offline is gedestilleerd uit systematische evaluaties, bestaande uit:
  • $S_{prop}$: Kwalitatieve eigenschappen van descriptoren (definities, sterktes, zwaktes).
  • $S_{rank}$: Empirisch bewijs in de vorm van gelaagde rangschikkingen en redeneerketens die PH-patronen koppelen aan de geschiktheid van een descriptor.
  • $S_{param}$: Gevalideerde parameterconfiguraties voor specifieke objecttypen.
• Dual Memory:
  • Kortetermijngeheugen ($M_s$): Houdt tool-invocaties binnen een enkele run bij om herhaalde fouten te voorkomen.
  • Langetermijngeheugen ($M_l$): Cumuleert diagnostische vermeldingen (gefaalde descriptoren, oorzaken, correcties) over verschillende runs binnen een dataset om runtime-adaptatie mogelijk te maken.

2. De PRAR-pipeline

1. Perceptie: De agent berekent deterministisch het PH-profiel ($h(I)$) en visuele statistieken ($v(I)$). Een LLM interpreteert deze samen met het ruwe beeld om het objecttype ($o$) te identificeren (bijv. cellen, klieren, vaten). Deze stap zorgt ervoor dat de agent de topologische en visuele context begrijpt voordat er wordt gereageerd.
2. Redenering: Deze fase is gesplitst in twee stappen om anchoring bias te mitigeren:
   • Voorstel: De agent stelt een kandidaat-descriptor en parameters voor op basis van $S_{prop}$ en geobserveerde kenmerken, zonder de volledige empirische rangschikkingen te zien.
   • Bepaling: De agent integreert de volledige $S_{rank}$ en $M_l$ om het voorstel af te wegen tegen empirisch bewijs, waarbij het voorstel potentieel wordt overruled of een correctie uit het geheugen wordt overgenomen.
3. Actie: De agent voert de bepaalde descriptor tool uit met gevalideerde parameters om een topologische featurevector ($f$) te produceren.
4. Reflectie: De agent beoordeelt de kwaliteit van $f$ met behulp van samenvattende statistieken (sparsity, variantie, etc.) en referentiebereiken uit $S$. Als de output ongeschikt is (bijv. excessieve sparsity), registreert de agent een diagnose in $M_l$ en probeert hij opnieuw vanaf de bepalingstap. Als twee pogingen mislukken, valt de agent terug op de hoogst gerangschikte descriptor voor het objecttype.

Belangrijkste Bijdragen

1. TopoAgent: De eerste agentic framework die de brug slaat tussen LLM-gebaseerde redenering en TDA, waardoor geautomatiseerd topologie-leren uit ruwe medische beelden mogelijk is met volledige redeneer-traces.
2. TopoBenchmark: De eerste gestandaardiseerde benchmark voor het evalueren van topologische descriptoren over diverse medische morfologieën. Het bestaat uit 26 datasets (113.182 monsters) verspreid over vijf objecttypen: cellen, klieren/lumina, orgaanvormen, vaatbomen en oppervlakte-laesies. Het maakt gebruik van convergentie-gebaseerde sampling om consistente evaluatie te garanderen.
3. Empirische Validatie: Demonstratie dat adaptieve, per-beeld descriptor-bepaling significant beter presteert dan fixed-descriptor baselines en algemene purpose LLM's.

Resultaten

Experimenten werden uitgevoerd op de TopoBenchmark met zes classifiers (waaronder TabPFN, XGBoost en Random Forest).

• Prestaties: TopoAgent behaalde een gemiddelde balanced accuracy van 68,21%.
• Vergelijkingen:
  • Presteerde beter dan de sterkste baseline (een "object-type oracle" die de beste descriptor per categorie selecteert zonder per-beeld redenering) met 9,32%.
  • Presteerde beter dan general-purpose LLM's (GPT-4o, Gemini, Claude) uitgerust met dezelfde tools maar zonder de gestructureerde PRAR-pipeline en skill set met meer dan 21%.
  • Presteerde bijna 18% beter dan de medische beeldvormingsagent MedRAX.
• Ablatie-studies:
  • De Skill Set ($S$) was de meest kritische component; het verwijderen ervan bracht de prestaties terug naar het niveau van de object-type oracle.
  • De Voorstel-stap was essentieel voor per-beeld adaptatie; het verwijderen ervan verminderde de prestaties tot het niveau van de oracle, wat de waarde van het anti-anchoring ontwerp bevestigt.
  • Reflectie was cruciaal voor het corrigeren van parameter-mismatches, met name voor orgaanvormen en laesies.
• Downstream Integratie: Wanneer geïntegreerd in ResNet-152 en SwinV2-B backbones, mat de adaptief bepaalde descriptor van TopoAgent de prestaties van PHG-Net (een leerbare topologische laag) of overtrof deze zelfs op externe datasets, wat interpreteerbare geometrische signatures biedt zonder extra training.
• Efficiëntie: De pipeline voltooit in één pass voor ~87% van de beelden, met een gemiddelde van 4,2 LLM-calls en ~32 seconden per beeld.

Betekenis en Claims

Het artikel claimt dat TopoAgent een kritieke bottleneck in medische beeldanalyse aanpakt: de afhankelijkheid van uitgebreide domeinkennis en trial-and-error bij het selecteren van topologische descriptoren. Door dit proces te automatiseren, maakt TopoAgent topologische inzichten inzetbaar voor downstream taken zonder dat er taakspecifieke training of differentiabele topologische lagen nodig zijn.

De auteurs benadrukken dat hun aanpak interpreteerbare featurevectoren levert en zich aanpast aan de specifieke topologische kenmerken van elk beeld, in plaats van te vertrouwen op een "one-size-fits-all" descriptor. Ze erkennen beperkingen, waarbij zij opmerken dat de skill set gedestilleerd is uit 2D medische data en mogelijk niet generaliseert naar 3D volumetrische data of niet-medische domeinen zonder verdere uitbreiding. Toekomstig werk wordt voorgesteld om de benchmark naar 3D te brengen en multi-descriptor fusie te verkennen.