挑选正确专家：基于注意力神经过程的任务专用模型选择用于智能医疗系统
机器学习
2026-02-17 v1 人工智能
计算机视觉与模式识别
多智能体系统
摘要
任务专用模型构成智能医疗系统的支柱，使代理人能够跨越疾病诊断、定位和报告生成等任务回答临床查询。然而，对于给定任务，很少存在单一的“最佳”模型。实际情况下，每个任务都由多个竞争性专家模型服务，其中不同模型在不同数据样本上表现出色。结果是，对于给定查询，代理人必须可靠地从异构的工具候选池中选择正确的专家模型。为此，我们引入了 ToolSelect，通过最小化对抽样的专家工具候选对象的人口风险，使用任务条件选择损失的一致替代品来适应学习模型选择。具体而言，我们提出了基于注意力神经过程的选择器，其以查询和每个模型行为概述为条件，以在专家模型之间进行选择。受限于缺乏任何既定基准的激励，我们首次引入一个智能胸部 X 光环境，配备多样化的任务专用模型（17 种疾病检测、19 种报告生成、6 种视觉定位和 13 种 VQA），并开发了 ToolSelectBench，一个包含 1448 个查询的基准。我们的结果表明，ToolSelect 在四个不同任务族中 consistently 超过 10 种 SOTA 方法。
关键词
引用
@article{arxiv.2602.14901,
title = {Picking the Right Specialist: Attentive Neural Process-based Selection of Task-Specialized Models as Tools for Agentic Healthcare Systems},
author = {Pramit Saha and Joshua Strong and Mohammad Alsharid and Divyanshu Mishra and J. Alison Noble},
journal= {arXiv preprint arXiv:2602.14901},
year = {2026}
}