NeuroAgent：用于多模态神经影像分析与研究的 LLM 智能体
人工智能
2026-05-08 v1
摘要
多模态神经影像分析通常涉及复杂的、特定于模态的预处理工作流，需要仔细配置、质量控制并协调异构工具链。除预处理外，下游统计分析和疾病分类通常需要特定任务的代码、评估协议和数据格式约定，这在原始采集数据和可复现科学分析之间造成了额外障碍。我们提出 NeuroAgent，一个由 LLM 驱动的智能体框架，可自动执行异构神经影像数据（包括 sMRI、fMRI、dMRI 和 PET）的关键预处理和分析步骤，并通过自然语言查询支持交互式下游分析。NeuroAgent 采用分层多智能体架构，配备反馈驱动的生成-执行-验证引擎：智能体自主生成可执行的预处理代码，检测并从运行时错误中恢复，验证输出完整性。我们在汇集了所有 ADNI 阶段的 1,470 名受试者（CN=1,000，AD=470）上评估该系统，所有受试者均有 sMRI 和表格数据，部分受试者还有 Tau-PET（n=469）、fMRI（n=278）和 DTI（）。跨多个 LLM 后端的流水线消融研究表明，能力强的模型意图解析准确率高达 100%，其中最强的后端（Qwen3.5-27B）端到端预处理步骤正确率达到 84.8%。自动化恢复将人工干预限制在需要通过 Human-In-The-Loop 接口进行人工审查的边缘情况。在使用自动预处理的多模态数据进行阿尔茨海默病分类时，我们的智能体集成在使用四种模态时实现了 0.9518 的 AUC，优于所有单模态基线。这些结果表明，NeuroAgent 能够减少神经影像预处理所需的人工工作量，并为神经影像研究实现端到端自动化分析流水线。
引用
@article{arxiv.2605.06584,
title = {NeuroAgent: LLM Agents for Multimodal Neuroimaging Analysis and Research},
author = {Lujia Zhong and Yihao Xia and Jianwei Zhang and Shuo huang and Jiaxin Yue and Mingyang Xia and Yonggang Shi},
journal= {arXiv preprint arXiv:2605.06584},
year = {2026}
}