用于心血管影像表型分析的多智能体推理

识别影像表型、疾病风险因素和临床结果之间的关联对于理解疾病机制至关重要。然而，传统方法依赖于人工驱动的假设检验和关联因素选择，常常忽略了影像表型与其他多模态数据之间复杂的非线性依赖关系。为解决此问题，我们引入了心脏多智能体探索协同框架（MESHAgents）：一个利用大语言模型作为智能体的框架，以动态地引出、揭示和决定关联研究中的混杂因素和表型。具体来说，我们编排了一个多学科AI智能体团队，通过迭代、自组织的推理自发地生成并汇聚见解。该框架动态地将统计相关性与多专家共识相结合，为全表型组关联研究（PheWAS）提供了一个自动化流程。我们通过一项基于人群的心脏和主动脉影像表型研究来展示该系统的能力。MESHAgents自主发现了影像表型与广泛非影像因素之间的相关性，识别出了超出标准人口统计学因素的额外混杂变量。在诊断任务上的验证表明，MESHAgents发现的表型达到了与专家选择表型相当的性能，在疾病分类任务上的平均AUC差异小至$-0.004_{\pm0.010}$。值得注意的是，在9种疾病类型中，有6种的召回率得分得到提升。我们的框架提供了具有透明推理过程的临床相关影像表型，为专家驱动的方法提供了一种可扩展的替代方案。