基于智能体的乳腺癌疗效预测输出漂移检测

现代临床决策支持系统可同时服务于多个独立的医学影像机构，但由于患者人群、影像硬件和获取协议的差异，其预测性能可能随站点而降解。持续监控预测输出可在无真实标签的情况下安全可靠地识别此类分布漂移。然而，大多数现有方法依赖于集中监控聚合预测，忽略了站点特定的漂移动力学。我们提出一种用于检测 multisite 临床 AI 系统中漂移及其严重程度的智能体基框架。为评估其效果，我们模拟了多中心环境进行基于输出的漂移检测，为每个站点分配一个漂移监控智能体，后者对模型输出与参考分布进行批处理比较。我们分析了几种多中心监控方案，这些方案在如何获取参考值方面存在差异（站点特定、全局、仅生产模式和自适应），并与集中基线进行比较。针对真实世界的乳腺癌影像数据使用既往完全反应预测模型的结果表明，所有多中心方案均优于集中监控，在漂移检测 F1 分数上提升最高可达 10.3%。在缺乏站点特定参考值的情况下，自适应方案表现最佳，漂移检测 F1 分数为 74.3%，漂移严重程度分类为 83.7%。这些发现表明，自适应且站点感知的基于智能体的漂移监控可提升 multisite 临床决策支持系统的可靠性。