Rumo ao Desenvolvimento Autônomo e Auditável de Modelos de Imagem Médica

Resumo

Agentes baseados em modelos de linguagem de grande escala (LLMs) estão começando a automatizar a engenharia de aprendizado de máquina (MLE) ao acoplar planejamento, execução de código, depuração e feedback empírico. Traduzir essa capacidade para a imagem médica continua sendo desafiador, pois cada tarefa impõe experimentação específica da modalidade, além de requisitos rigorosos para protocolos de validação e artefatos de previsão. Aqui apresentamos o AMID, uma estrutura autônoma multiagente para desenvolvimento de modelos de imagem médica. O AMID primeiro propõe o Planejamento de Métodos Condicionado aos Dados, que refina espaços de busca grosseiros em nível de tarefa em trilhas de métodos executáveis e paralelizáveis, fundamentadas na análise específica dos dados e em recursos executáveis de imagem médica. Em seguida, desenvolve a Otimização em Dois Estágios Guiada por Verificação, que transita de uma ampla exploração inicial de diversas trilhas de métodos para a exploração seletiva de candidatos promissores, impondo verificação rigorosa de protocolos de validação, cálculo de métricas e artefatos de previsão durante todo o processo de otimização. Em 20 tarefas de desafios de imagem médica abrangendo diversas modalidades e tipos de previsão, o AMID superou sistemas de MLE de propósito geral avaliados e, em várias tarefas, se aproximou ou igualou soluções robustas de desafios projetadas por humanos. Esses resultados sugerem que o AMID pode transformar o desenvolvimento de modelos de imagem médica específicos para cada tarefa, de uma engenharia manual sob medida em um fluxo de trabalho agêntico para produzir artefatos de modelo de alto desempenho e auditáveis em tarefas heterogêneas.

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.