ActiveMedAgent: apprendimento delle traiettorie attento ai costi per la diagnosi medica multimodale

Abstract degli autori

La diagnosi clinica è per sua natura sequenziale: i medici passano dagli esami meno costosi a quelli più costosi solo quando si prevede che ulteriori elementi possano risolvere l’incertezza diagnostica. Presentiamo ActiveMedAgent, un framework che applica questa logica sequenziale attenta ai costi all’IA medica multimodale. Partendo da un modello visivo-linguistico congelato e accessibile tramite API, ActiveMedAgent tiene traccia delle distribuzioni di probabilità delle diagnosi candidate e assegna un punteggio a ogni acquisizione in base alla sua utilità diagnostica in quella fase, al netto del costo. Un controller MLP leggero viene poi addestrato offline su queste traiettorie valutate, imparando quando richiedere ulteriori elementi e quando formulare una diagnosi. Su tre benchmark di uso comune, l’apprendimento di una strategia basato sulle traiettorie supera sistematicamente sia l’acquisizione non guidata sia le baseline che impiegano tutte le modalità. In particolare, individuiamo un effetto di sovraccarico informativo. In 175 casi, l’agente formula una diagnosi corretta usando meno canali, mentre la baseline che impiega tutte le modalità fallisce: imparare che cosa omettere può essere importante quanto imparare che cosa acquisire.