基于多LMM协同推理框架的肾功能衰退可解释预测
机器学习
2025-07-31 v1 人工智能
多智能体系统
应用统计
摘要
对估计肾小球滤过率(eGFR)的准确且可解释的预测对于管理慢性肾病(CKD)和支持临床决策至关重要。近期大型多模态模型(LMM)的进展显示出在临床预测任务中具有强大潜力的能力，由于其能够处理视觉和文本信息。然而，与部署成本、数据隐私和模型可靠性相关的挑战仍然阻碍了其实际应用。在本研究中，我们提出了一种协作框架，用于提高开源LMM在eGFR预测中的性能，同时生成临床上有意义的解释。该框架集成了视觉知识迁移、归纳推理和短期记忆机制，以提升预测准确性和可解释性。实验结果表明，所提方法的预测性能和可解释性与专有模型相当，并且为每项预测提供了可信的临床推理过程。我们的方法为构建兼具预测精度和临床依据可解释性的医疗AI系统提供了新的思路。
引用
@article{arxiv.2507.22464,
title = {Towards Interpretable Renal Health Decline Forecasting via Multi-LMM Collaborative Reasoning Framework},
author = {Peng-Yi Wu and Pei-Cing Huang and Ting-Yu Chen and Chantung Ku and Ming-Yen Lin and Yihuang Kang},
journal= {arXiv preprint arXiv:2507.22464},
year = {2025}
}