병리 패치 단위 추론에서 지식 검색·증거 수집·증거 판정을 명시적으로 분리한 3단계 프레임워크 PathoSage를 제안한다. 엔드투엔드 병리 멀티모달 모델은 형태학적 특징을 환각하고, 기존 에이전트는 도구 출력과 검색 지식을 한 맥락에 합쳐 상충 증거와 맥락 오염에 취약하다는 문제를 겨냥했다. 핵심인 '구조화된 증거 숙고'는 도구별 이질적 증거를 독립 평가하고 충돌을 분석한 뒤, 앵커링 편향을 줄이려 새 맥락에서 최종 판정을 내린다. 또한 학습이 필요 없는 베타-베르누이 경험 시스템으로 도구의 장기 신뢰도를 모델링하고 유사도 가중 사전을 구성한다. 실험에서 VQA 환각과 분류기 불일치를 효과적으로 완화하며 강력한 병리 모델·에이전트 베이스라인을 능가했다. 명시적 증거 판정과 신뢰도 인식 도구 모델링이 견고한 병리 에이전트의 핵심임을 보였다.
- •지식 검색·증거 수집·증거 판정을 분리한 3단계 병리 추론 프레임워크 PathoSage
- •'구조화된 증거 숙고'가 이질 증거를 독립 평가·충돌 분석 후 새 맥락에서 판정해 앵커링 편향 감소
- •학습 불필요한 베타-베르누이 경험 시스템으로 도구의 장기 신뢰도 모델링
- •VQA 환각과 분류기 불일치를 완화하며 병리 MLLM·에이전트 베이스라인 능가
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
PathoSage: Towards Multi-Source Evidence Adjudication in Pathology via Experience-Aware Agentic Workflow
- 1.패치 단위 병리 멀티모달 추론서 지식 검색·증거 수집·증거 판정을 명시 분리하는 3단계 프레임워크 PathoSage 제안
- 2.핵심 '구조화 증거 숙의'가 도구별 이질 증거를 독립 평가·충돌 분석 후 새 컨텍스트서 판단해 앵커링 편향 완화
- 3.학습 불필요한 베타-베르누이 경험 시스템으로 도구 장기 신뢰도 모델링·유사도 가중 사전확률 구성
- 4.VQA 환각·분류기 불일치를 완화하며 강력한 병리 MLLM·에이전트 베이스라인 능가
왜 중요한가?
엔드투엔드 병리 MLLM의 형태학적 환각과 에이전트의 컨텍스트 오염 문제를, 증거 판정 분리와 신뢰도 인식 도구 모델링으로 완화해 강건한 병리 AI 에이전트의 핵심 요소를 제시한다.
언급 프로젝트
병리학 분야에서 다중 모달 대규모 언어 모델(MLLM)의 환각 현상은 한국 의료 AI 도입의 큰 걸림돌입니다. 경험 인지형 에이전트 워크플로우를 통한 다중 소스 증거 조정 연구는 의료 AI의 신뢰성을 높여 한국 병원에서의 성공적인 적용을 가속화할 수 있습니다.
본문 미리보기
arXiv:2606.07549v1 Announce Type: new Abstract: Recent advances in Multimodal Large Language Models (MLLMs) and agent workflows have shown strong promise for computational pathology, yet reliable patch-level reasoning remains challenging. End-to-end pathology MLLMs often hallucinate morphological features, while recent agentic systems usually merge tool outputs and retrieved knowledge into a shared context, making decisions vulnerable to conflicting evidence and context contamination. We propos
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:12AI 초안
