OPERA: オフラインポリシーに基づくエキスパートルーティングと適応による汎用生体医用画像解析

要旨

生体医用画像解析は多様なモダリティとタスクにわたるが、現実環境での展開は、スキャナー、プロトコル、患者集団にわたる深刻な分布シフトによって妨げられている。その結果、高性能モデルにはドメイン固有の微調整が繰り返し必要となり、ラベルが不足していたり、プライバシー制約によってデータ共有が制限されたりする場合には、このコストの高いサイクルは非現実的となる。本稿では、OPERA（Offline Policy-guided Expert Routing and Adaptation）を提案する。これは、エキスパートの重み割り当てをオフラインポリシー学習問題として扱うマルチエージェントアンサンブルフレームワークであり、任意のエキスパートエージェントに勾配更新を加えることなく、小さな検証セットからルーティングポリシーを学習し、テスト時適応を用いて分布シフトに対処することにより、このデプロイメント上のボトルネックを解決する。OPERAは、相補的なメカニズムを通じて異種の専門エージェントを調整する。エキスパートプロファイリングモジュールはオフラインで選択ポリシーを学習し、専門知識の情報に基づいた割り当てを可能にする。各エージェントは温度調整を通じて信頼度較正を受け、より信頼性の高い確率的出力を保証する。OPERAはまた、分布認識適応も組み込んでおり、ラベルなしテストデータから得られる統計量を用いて、バッチレベルでクラス重みを動的に調整する。インスタンスレベルルーティングは、モデル間の一致度と予測エントロピーを活用して、各サンプルを最も適切なエキスパートに割り当てる。我々は、眼底写真、胸部X線、CT、MRI、マルチモーダル診断ベンチマークをカバーする9つのデータセットでOPERAを評価し、分類、セグメンテーション、マルチモーダル設定において30以上のベースラインと比較した。OPERAは、性能と較正品質を一貫して向上させ、オフラインポリシーに導かれたエキスパートエージェントの連携が、再学習を必要としないデプロイ可能な生体医用AIへの実用的な経路であることを示している。コードは https://github.com/HUANGLIZI/OPERA{GitHub} で入手可能である。

English

Biomedical image analysis spans diverse modalities and tasks, yet real-world deployment is hindered by severe distribution shifts across scanners, protocols, and patient populations. High-performing models consequently require repeated domain-specific fine-tuning, which is a costly cycle that becomes impractical when labels are scarce or privacy constraints limit data sharing. We propose OPERA (Offline Policy-guided Expert Routing and Adaptation), a multi-agent ensemble framework that addresses this deployment bottleneck by treating expert weight assignment as an offline policy learning problem: a routing policy is learned from a small validation set without gradient updates to any expert agent, then deployed with test-time adaptation to handle distribution shift. OPERA coordinates heterogeneous specialist agents through complementary mechanisms. The expert profiling module learns selection policies offline, enabling informed allocation of expertise. Each agent undergoes confidence calibration through temperature adjustment, ensuring more reliable probabilistic outputs. OPERA also incorporates distribution aware adaptation, where class weights are dynamically adjusted at the batch level using statistics derived from unlabeled test data. Instance level routing assigns each sample to the most suitable expert by leveraging inter model agreement and predictive entropy. We evaluate OPERA on 9 datasets covering fundus photography, chest X-ray, CT, MRI, and multimodal diagnostic benchmarks, comparing against 30+ baselines across classification, segmentation, and multimodal settings. OPERA consistently improves performance and calibration quality, demonstrating that offline policy-guided expert agents coordination is a practical path to deployable biomedical AI without retraining. Code is on https://github.com/HUANGLIZI/OPERA{GitHub}.