摘要
全切片图像(WSI)推理要求智能体在回答诊断问题前顺序获取视觉证据。现有免训练框架基于语义相关性迭代检索补丁,但在计算病理学中,竞争性诊断常具有相似形态,导致相关但无判别力的冗余观察,无法消除诊断不确定性。本文提出BEACON,一个即插即用的代理框架,将WSI推理重构为贝叶斯证据获取问题。BEACON维护竞争诊断假设的概率信念,通过最大化预期信息增益(EIG)顺序获取补丁以降低不确定性。证据控制器决定是回答、获取更多证据还是进行高分辨率检查。BEACON完全由现成基础模型构建,无需额外训练。在五个WSI-VQA基准上的零样本实验表明,BEACON在免训练代理框架中实现了最强的整体性能,并显著提高了证据获取效率。
AI 推荐理由
论文核心在于通过贝叶斯证据获取机制优化病理图像的推理过程,解决诊断不确定性问题。
研究机构
韩国科学技术院(KAIST)科学与科学学院
A*STAR先进智能与计算研究所(IAIC)
A*STAR前沿人工智能研究中心(CFAR)
论文信息