MIRA: Medical Image Reflection for Agentic Diagnosis
MIRA 是一个医疗视觉诊断框架，它通过动态调用图像处理工具和网络搜索来增强自主诊断，并采用由工具增强的蒙特卡洛树搜索与强化学习组成的两阶段训练策略来验证证据相关性，从而在多个基准测试中显著提高了诊断准确性并减少了有害的工具使用。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名正在试图破解谜题的侦探，但你拥有的不仅仅是单张犯罪现场的照片，还有一个神奇的放大镜、一个藏书丰富的图书馆，以及一支可以随时调遣的专家团队。在人工智能的世界里，有一个不断发展的领域叫做“多模态推理”（multimodal reasoning），即计算机尝试同时理解图像和文字。长期以来，这些人工智能侦探就像是只会死记硬背教科书答案的学生：它们看一眼图片，猜出一个答案，然后就结束了。但在现实生活中，尤其是在医学领域，仅仅看一眼是不够的。医生需要放大观察一个微小的斑点，检查一项测量数据，或者查阅一种罕见的症状以确保万无一失。研究人员提出的核心问题是：我们如何教会人工智能知道何时使用工具、寻找什么目标，以及最重要的一点——如何承认错误并修正自己的思维？如果人工智能在游戏中犯错，仅仅是丢掉一个分数；但如果它在医疗诊断中犯错，后果可能是生死攸关的。
这正是名为 MIRA（用于智能诊断的医学图像反思，Medical Image Reflection for Agentic Diagnosis）的新型框架发挥作用的地方。请不要把 MIRA 看作一本静态的百科全书，而要把它看作一名充满好奇心、具备自我纠错能力的医学生，在获得证据之前，她绝不轻易下结论。研究人员构建的这个系统不仅仅是盯着一张医学图像并吐出一个答案。相反，MIRA 表现得像一个带着工具箱的侦探。它可以“放大”模糊的区域，“指向”特定区域以检查其形状，“旋转”图像以便从更好的角度观察，甚至在遇到困难时在网上“搜索”医学事实。但巧妙之处在于：MIRA 并不会随机使用这些工具。它学会了“反思”。在做出最终诊断之前，它会自问：“我观察的位置对吗？这些证据真的能支持我的理论吗？我是不是下结论太快了？”
论文指出，通过教导人工智能进行这种思考，它在解决医学谜题方面会变得更加出色。研究人员通过两个步骤的训练过程创建了 MIRA。首先，他们向人工智能展示了数千个如何正确使用工具的案例，就像老师向学生演示如何正确使用显微镜一样。然后，他们让人工智能进行自主练习，但加入了一个转折：每当人工智能犯错时，他们不仅仅是说“错了”，而是帮助人工智能弄清楚“为什么”错，并将这个教训转化为未来的规则。这被称为“反思记忆”（reflection memory）。这就像一名学生记录下考试错误的日记，以便将来不再犯同样的错误。
结果非常令人振奋。在针对九种不同医学影像测试的测试中，基于标准 80 亿参数模型构建的 MIRA，其得分显著高于未经训练的版本。它的平均得分提高了约 7.4 分，而在一些关于识别特定病灶（微小的疾病斑点）的难题测试中，得分甚至提升了超过 14 分。这表明，赋予人工智能主动寻找证据并检查自身工作的能力，使其成为一名更可靠的诊断师。论文指出，虽然 MIRA 已经非常出色，但它还并不完美；它仍然依赖于其构建所基于的基础模型的“眼睛”和“大脑”。如果模型本身看不见某个微小的细节，那么即使是最好的反思也无法解决问题。然而，这项研究有力地证明了这种“思考、检查并修正”的方法是让医疗人工智能变得更安全、更准确的一种强大方式，从而缩小了开源模型与如今大型科技公司所使用的庞大且昂贵的系统之间的差距。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。