EchoAgent：基于指南中心推理的心脏超声测量与解释智能体

目的：心脏超声解释需要视频级别的推理和基于指南的测量分析，而当前的心脏超声深度学习模型不支持这一功能。我们提出 EchoAgent，一个能够实现结构化、可解释自动化的框架。方法：EchoAgent 在大型语言模型（LLM）控制下协调专门的视觉工具，以执行时间局部化、空间测量和临床解释。关键贡献是一种测量可行性预测模型，用于确定每个帧中解剖结构是否可靠可测，从而实现自主工具选择。我们精选了一组多样且经临床验证的视频查询对，用于评估。结果：EchoAgent 在复杂的时空视频分析中实现了准确、可解释的结果。输出以视觉证据和临床指南为依托，支持透明度和可追溯性。结论：本工作表明了在心脏超声视频分析中实现代理式、指南对齐推理的可行性，这由任务特定工具和完整视频级自动化所驱动。EchoAgent 为可信赖的心脏超声 AI 开辟了新的方向。