Resumo Técnico: Rumo a um Neurocientista Virtual (NIAgent)

Declaração do Problema

Transformar dados brutos de neuroimagem (por exemplo, sMRI, fMRI) em biomarcadores clinicamente acionáveis é um processo intensivo em conhecimento e mão de obra. Embora fluxos de trabalho padronizados como o fMRIPrep tenham melhorado a robustez e a reprodutibilidade, eles permanecem configurados de forma estática. Eles carecem da capacidade de raciocinar autonomamente sobre objetivos científicos a jusante, explorar estratégias analíticas alternativas ou fechar o ciclo entre evidências intermediárias e decisões subsequentes. Consequentemente, especialistas do domínio frequentemente ficam presos em ciclos manuais de tentativa e erro para ajustar parâmetros e remediar falhas no pipeline, restringindo severamente a escalabilidade do desenvolvimento de biomarcadores clínicos.

Os autores identificam quatro desafios-chave na automação desse processo:

1. Heterogeneidade do Ecossistema: A neuroimagem depende de backends de software diversos com interfaces incompatíveis e representações intermediárias, tornando operações de baixo nível pouco confiáveis para que Modelos de Linguagem de Grande Escala (LLMs) recuperem em tempo de execução.
2. Complexidade de Fluxos de Trabalho de Longo Alcance: A análise ponta a ponta exige fluxo de dados acoplado, lógica de controle estruturada e tratamento robusto de erros, com os quais agentes convencionais de chamada de ferramentas planas lutam para gerenciar.
3. Tomada de Decisão Orientada pelo Controle de Qualidade: O controle de qualidade (QC) não é meramente uma etapa de relatórios, mas um ponto de decisão intensivo em julgamento que deve ser integrado ao fluxo de trabalho para suportar adaptações a jusante.
4. Requisito de Expertise Distribuída: O processo exige expertise distinta (compreensão de dados, processamento de imagens, QC, modelagem estatística) que pode sobrecarregar um único agente monolítico.

Metodologia: Framework NIAgent

Os autores apresentam o NIAgent, um sistema multiagente projetado para análise autônoma de neuroimagem ponta a ponta. O sistema reestrutura a análise de neuroimagem como um problema de tomada de decisão sequencial adaptativa, afastando-se de pipelines fixos em direção a fluxos de trabalho dinâmicos e conscientes de objetivos.

Arquitetura do Sistema

O NIAgent emprega uma arquitetura de planejamento centralizado, execução descentralizada:

• Agente Supervisor: Atua como orquestrador, traduzindo objetivos de alto nível em linguagem natural em fluxos de trabalho executáveis, distribuindo tarefas e coordenando a colaboração entre agentes com base no feedback em tempo de execução.
• Agentes Profissionais Específicos de Domínio: Agentes especializados lidam com subtarefas específicas dentro de espaços de ação delimitados:
  • Agente de Consciência de Dados: Extrai o contexto do conjunto de dados (estrutura, metadados) para fundamentar o planejamento.
  • Agente de Controle de Qualidade (QC): Realiza avaliação hierárquica e emite vereditos fundamentados em evidências.
  • Agente de Processamento: Executa pipelines de pré-processamento compondo ferramentas e escrevendo código.
  • Agente de Análise a Jusante: Realiza análise estatística e modelagem preditiva.

Principais Inovações Técnicas

1. Execução Centrada em Código com Primitivas Compostas
Em vez de expor ferramentas de software brutas e heterogêneas como ações chamáveis planas, o NIAgent encapsula rotinas especializadas de neuroimagem em primitivas específicas de domínio compostas. Estas são chamáveis Python atômicas com esquemas de Entrada/Saída padronizados.

• Injeção de Contexto Just-in-Time (JIT): Para evitar inflação de contexto e degradação do raciocínio, o sistema seleciona dinamicamente apenas o subconjunto de primitivas relevante para a tarefa para o prompt de cada agente, em vez de injetar toda a biblioteca.
• Síntese de Código: Agentes profissionais sintetizam programas Python executáveis que orquestram essas primitivas. Este paradigma de "código como ato" permite fluxo de dados explícito, lógica de controle estruturada (por exemplo, loops, condicionais), execução paralela e tratamento robusto de erros, superando a fragilidade das chamadas de ferramentas sequenciais.

2. Agente Hierárquico como Juiz para QC em Ciclo Fechado
O Agente QC opera em um ciclo fechado para impulsionar a remediação do fluxo de trabalho. Ele emprega uma estratégia hierárquica de dois estágios:

• Triagem por Métricas: Realiza detecção de outliers em nível de coorte usando métricas quantitativas de qualidade de imagem (IQMs) para sinalizar sujeitos suspeitos.
• Inspeção Visual Agente: Para sujeitos sinalizados, o agente invoca um Modelo Visão-Linguagem (VLM) configurado com critérios de pontuação e exemplos de poucos exemplos (few-shot exemplars). O VLM engaja-se em protocolos diagnósticos iterativos de múltiplas voltas, incluindo ampliação aumentada por programa e inspeção de região de interesse, para gerar um veredito final PASSAR/REPROVAR.
• Adaptação em Ciclo Fechado: Os vereditos são alimentados de volta ao Supervisor, que ajusta dinamicamente o fluxo de trabalho (por exemplo, excluindo sujeitos, alternando backends de pré-processamento ou refinando parâmetros) com base nas evidências.

Resultados Experimentais

Os autores avaliaram o NIAgent em dois conjuntos de dados de referência: ADHD-200 (ressonância magnética funcional, $N=200$) e ADNI (ressonância magnética estrutural, $N=200$). O sistema foi encarregado de desenvolver fluxos de trabalho completos, desde dados brutos até modelos preditivos para diagnóstico.

Métricas de Desempenho

• Desempenho Preditivo: O NIAgent superou as linhas de base de fluxo de trabalho pré-definido padrão (fMRIPrep, AFNI, FSL, SPM, ANTs) em ambos os conjuntos de dados.
  • No ADHD-200, o NIAgent alcançou uma AUC de 65,55% comparado à melhor linha de base (AFNI) em 62,60%.
  • No ADNI, o NIAgent alcançou uma AUC de 93,00% comparado à melhor linha de base (fMRIPrep) em 90,60%.
• Estabilidade de Execução: O NIAgent alcançou uma taxa de conclusão de 100% em cinco execuções independentes em ambos os conjuntos de dados, enquanto várias variantes de ablação falharam completamente.
• Comportamento Agente: O sistema demonstrou comportamentos sofisticados, incluindo a exploração de múltiplos pipelines de pré-processamento candidatos (por exemplo, alternar de fMRIPrep para AFNI ou FSL com base nos resultados do QC), realizar refinamento adaptativo de modelagem e recuperar-se com sucesso de erros em tempo de execução.

Estudos de Ablação

Estudos de ablação confirmaram a necessidade dos componentes arquitetônicos:

• Agente Único: Colapsar todos os papéis em um único agente levou a desvio de estado, alucinações e uma queda acentuada na recuperação de erros (31% no ADNI).
• Sem Injeção JIT: Injetar a biblioteca completa de primitivas causou mau uso de ferramentas e violações de instruções devido à sobrecarga de contexto.
• Sem Execução Centrada em Código: Substituir a síntese de programas por chamadas de ferramentas planas resultou em falha catastrófica (0/5 de conclusão) devido a erros de escalabilidade e orquestração.
• Sem Abstração de Primitivas: Remover primitivas encapsuladas forçou os agentes a gerar comandos de baixo nível, levando a mau uso severo de comandos e falhas de execução.

Alinhamento do Controle de Qualidade

O módulo de QC hierárquico proposto mostrou concordância moderada a forte com avaliadores humanos (medido pelo AC1 de Gwet), superando variantes de QC apenas por métricas ou apenas visuais não agentes. Remover a etapa de filtragem de QC degradou significativamente o desempenho preditivo a jusante, particularmente no conjunto de dados mais ruidoso ADHD-200, validando a necessidade de exclusão de amostras automatizada e orientada por evidências.

Significado e Alegações

O artigo alega que o NIAgent representa um passo significativo rumo a um "neurocientista virtual", ao preencher a lacuna entre pipelines estáticos e pré-definidos e os fluxos de trabalho dinâmicos e orientados por raciocínio de pesquisadores humanos.

• Autonomia e Adaptabilidade: O sistema demonstra que a análise de neuroimagem pode ser enquadrada como um problema de tomada de decisão de longo alcance onde o agente constrói, refina e adapta autonomamente fluxos de trabalho com base nas características dos dados e evidências intermediárias.
• Robustez: A execução centrada em código sobre primitivas compostas fornece um substrato estável para lidar com a heterogeneidade do ecossistema de neuroimagem, permitindo execução confiável de longo alcance que agentes de chamada de ferramentas planas não podem alcançar.
• QC em Ciclo Fechado: Ao integrar o QC como um componente de tomada de decisão em vez de um relatório post-hoc, o NIAgent intercepta efetivamente artefatos e características de baixa qualidade, melhorando a robustez dos entregáveis científicos finais.
• Modularidade: O framework é projetado para ser extensível, fornecendo uma base para sistemas futuros suportarem modalidades mais amplas, bibliotecas de primitivas mais ricas e tarefas a jusante diversas.

Os autores concluem que, embora o estudo atual esteja limitado a modalidades específicas (sMRI/fMRI) e tarefas, o framework proposto oferece uma base modular e extensível para avançar a análise de neuroimagem de processos manuais e estáticos para fluxos de trabalho científicos autônomos e adaptativos.