这篇文章介绍了一种名为“麦仕多智能体”的新型多智能体系统框架，用于心血管影像表型分析。该框架利用大语言模型作为智能体，动态地识别、提取和确定关联研究中的混杂因素和表型，以克服传统方法在分析心血管影像与疾病风险因素和预后之间的复杂非线性关系方面的局限性。本文的核心贡献在于提出了一种基于多学科AI智能体协作的自动全表型组关联研究流程，并通过实验证明了其在发现临床相关的影像表型方面的有效性。
背景与挑战:
传统的心血管影像表型分析方法通常依赖于人工驱动的假设检验和关联因素的选择，这容易忽略影像表型和其他多模态数据之间复杂的非线性依赖关系。准确识别影像表型与非影像因素（如遗传倾向、环境因素和生理特征）之间的关联，对于理解疾病机制、改进诊断和预后模型至关重要。然而，忽视混杂因素会导致对全表型组关联研究和全基因组关联研究的错误解读，并影响临床分析。 此外，在医学影像研究中，评估机器学习算法中的偏差时也需要考虑混杂因素。
大语言模型的最新进展为解决这些挑战提供了新的途径。大语言模型展现出强大的推理能力，能够处理各种任务。然而，将大语言模型应用于多模态医学影像数据分析面临两个主要挑战：（1）影像表型分析需要跨医学、生物力学和统计学等多个学科的专业知识，而大语言模型容易出现“灾难性遗忘”，难以在多个学科之间保持全面的知识；（2）分析需要进行表型感知推理，以识别影像表型与各种非影像因素之间的稳健关联，而大语言模型容易产生“幻觉”，从而破坏表型发现。
“麦仕多智能体”框架:
为了克服这些挑战，论文提出了“麦仕多智能体”框架。该框架通过三个阶段的协作推理来实现自动化的全表型组关联研究：
阶段一：表型分析:各个专业智能体（例如，专注于左心室、右心室、左心房、右心房、升主动脉和降主动脉的智能体）独立分析影像表型，利用统计显著性检验、临床相关性评估、总体分布分析和数据稳定性等指标对表型进行评估。每个智能体都维护一个结构化的长期记忆库，存储以往分析中获得的影像表型模式和关联因素，以便在后续分析中利用。
阶段二：关联因素发现:智能体分析各种非影像因素（包括人口统计学、人体测量学、生活方式和风险因素），评估影像表型与这些因素之间的关联强度。 协调智能体汇总各个智能体的局部评估结果，建立跨领域的因素效应。
阶段三：协作推理:各个智能体通过结构化对话进行协作推理，最终达成共识并生成报告。该过程模拟了临床决策中多学科团队会议的流程。智能体利用动态长期记忆机制，存储、检索和更新记忆，并通过基于证据的论证协议进行交互。协调智能体引导该过程，直到所有决策节点（推荐表型、主要关联因素、主要诊断）达成一致。
实验结果:
本文使用英国生物样本库数据进行了实验，将“麦仕多智能体”与独立的大语言模型和现有的医疗多智能体框架进行了比较。 结果表明，“麦仕多智能体”在自动全表型组关联研究任务上取得了最佳的性能，依赖性得分最低（0.350），覆盖率最高（0.871）。 这表明“麦仕多智能体”能够有效地减少幻觉，并促进跨学科知识的整合。
在疾病诊断任务中，“麦仕多智能体”使用自动发现的表型和因素来训练疾病分类模型，并与使用文献中专家选择的表型进行比较。结果显示，“麦仕多智能体”在AUC和召回率方面取得了与专家选择的表型相当的性能，平均AUC差异很小（−0.004±0.010）。 在某些特定疾病类型（如脑卒中、外周血管疾病和糖尿病）中，“麦仕多智能体”甚至取得了更好的召回率。这表明“麦仕多智能体”能够在不需要大量领域知识的情况下，有效地识别出具有临床意义的表型。
结论:
“麦仕多智能体”框架为医学影像表型分析提供了一种可扩展的替代方案，能够在保持临床相关性的同时，减少主观偏差。该框架通过多智能体协作推理，实现了自动化的全表型组关联研究，并取得了与专家选择的表型相当的诊断性能。未来的研究可以进一步改进该框架，例如整合医学影像文献的向量嵌入库，以增强知识整合和推理能力。总而言之，“麦仕多智能体”为医学影像分析提供了一种新的、有效的、可解释的途径。
如需要《心血管影像表型分析的多智能体推理》（英文，11页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后，发来email地址索取。
Surround yourself with people that talk about visions and ideas, not other people. 与言谈间尽是愿景与奇思者相伴，莫与整日论人是非者为伍。早上好！
