Vers le développement autonome et auditable de modèles d’imagerie médicale

Résumé

Les agents de grands modèles de langage (LLM) commencent à automatiser l'ingénierie de l'apprentissage automatique (MLE) en couplant planification, exécution de code, débogage et retour empirique. Transposer cette capacité à l'imagerie médicale reste difficile car chaque tâche impose une expérimentation spécifique à la modalité ainsi que des exigences strictes concernant les protocoles de validation et les artefacts de prédiction. Nous présentons ici AMID, un cadre multi-agents autonome pour le développement de modèles d'imagerie médicale. AMID propose d'abord une Planification de Méthode Conditionnée par les Données, qui affine des espaces de recherche grossiers au niveau des tâches en voies de méthode exécutables et parallélisables, ancrées dans l'analyse de données spécifiques à la tâche et des ressources d'imagerie médicale exploitables. Il développe ensuite une Optimisation en Deux Étapes Guidée par la Vérification, passant d'une exploration initiale large de diverses voies de méthode à une exploitation sélective de candidats prometteurs, tout en imposant une vérification stricte des protocoles de validation, du calcul des métriques et des artefacts de prédiction tout au long de l'optimisation. Sur 20 tâches de challenge d'imagerie médicale couvrant diverses modalités et types de prédiction, AMID a surpassé les systèmes MLE à usage général évalués et, pour plusieurs tâches, s'est approché ou a égalé des solutions de challenge conçues manuellement et de haute qualité. Ces résultats suggèrent qu'AMID peut transformer le développement de modèles d'imagerie médicale spécifiques à une tâche, passant d'une ingénierie manuelle sur mesure à un flux de travail agentique produisant des artefacts de modèle performants et auditables sur des tâches hétérogènes.

English

Large language model (LLM) agents are beginning to automate machine learning engineering (MLE) by coupling planning, code execution, debugging, and empirical feedback. Translating this capability to medical imaging remains difficult because each task imposes modality-specific experimentation and strict requirements for validation protocols and prediction artifacts. Here we introduce AMID, an autonomous multi-agent framework for medical imaging model development. AMID first proposes Data-Conditioned Method Planning, which refines coarse task-level search spaces into executable, parallelizable method lanes grounded in task-specific data analysis and runnable medical-imaging resources. It then develops Verification-Guided Two-Stage Optimization, moving from broad early exploration of diverse method lanes to selective exploitation of promising candidates while enforcing strict verification of validation protocols, metric computation, and prediction artifacts throughout the optimization. Across 20 medical imaging challenge tasks spanning diverse modalities and prediction types, AMID outperformed evaluated general-purpose MLE systems and, on several tasks, approached or matched strong human-designed challenge solutions. These results suggest that AMID can turn task-specific medical imaging model development from bespoke manual engineering into an agentic workflow for producing high-performing and auditable model artifacts across heterogeneous tasks.