XrayClaw：面向可信胸腔 X 光诊断的协作-竞争多智能体对齐
计算机视觉与模式识别
2026-04-06 v1
摘要
胸腔 X 光（CXR）解读是基础且复杂的临床任务，日益依赖人工智能实现自动化。然而，传统的单一模型缺乏可信诊断所需的细致推理，常导致逻辑不一致和诊断幻觉。多智能体系统虽可通过模拟协作咨询来提供潜在解决方案，但现有框架仍受单一底层模型驱动的共识式错误影响。本文引入 XrayClaw，一种通过精细的协作-竞争架构实现多智能体对齐的新框架。XrayClaw 将四个专业化协作智能体用于模拟系统性临床工作流程，同时引入一个作为独立审计员的竞争智能体。为协调这些不同诊断路径，我们提出 Competitive Preference Optimization（CPO），一种学习目标，通过强制分析路径与整体解释之间的相互验证来惩罚不合理的推理。广泛的实证评估表明，XrayClaw 在 MS-CXR-T、MIMIC-CXR 和 CheXbench 数据集上实现诊断准确性、临床推理忠诚度和零样本域泛化的状态突破。我们的结果表明，XrayClaw 有效缓解了累积性幻觉，显著提升了自动 CXR 诊断的可靠性，确立了可信医学影像分析的新范式。
引用
@article{arxiv.2604.02695,
title = {XrayClaw: Cooperative-Competitive Multi-Agent Alignment for Trustworthy Chest X-ray Diagnosis},
author = {Shawn Young and Lijian Xu},
journal= {arXiv preprint arXiv:2604.02695},
year = {2026}
}
备注
14 pages