AutoML Clinical ML LLM Agents Textual Gradient Descent
摘要

临床机器学习在支持高风险医疗决策方面潜力巨大,但受限于稀缺、异构及时间复杂的数据特性。现有自动化机器学习(AutoML)系统主要依赖预定义空间的暴力搜索,缺乏显式的推理与记忆能力,导致开发流程耗时且易错。为此,本文提出DoctorAgents,这是一个基于智能体的AI框架,利用专门的LLM智能体自主构建并优化端到端ML流水线。该框架通过文本梯度下降反向传播自然语言反馈,进行针对性更新而非 exhaustive search。实验表明,DoctorAgents在多种临床任务中均优于基线方法,并生成更具可解释性的特定任务表示。

AI 推荐理由

论文核心在于将AutoML从暴力搜索重构为基于LLM推理的迭代优化,强调显式推理机制。

研究机构
McGill大学计算机科学学院,加拿大蒙特利尔 Mila - 魁北克AI研究所,加拿大蒙特利尔 McGill大学医学系风湿病学科,加拿大蒙特利尔 Estrie综合大学医疗与社会服务中心(CHUSSS-CHUS),谢布鲁克医院,加拿大谢布鲁克 谢布鲁克大学医学院与健康科学学院,加拿大谢布鲁克
论文信息
作者 Ruilin Wang, Bo-Hong Wang, Elizabeth Kourbatski, Jun Bai, Hegang Chen et al.
发布日期 2026-08-05
arXiv ID 2608.05375
相关性评分 9/10 (高度相关)