近年、マルチモーダル大規模言語モデル（MLLM）とエージェントワークフローは計算病理学において大きな可能性を示していますが、信頼性の高いパッチレベルの推論は依然として課題です。エンドツーエンドの病理MLLMは形態学的特徴を幻覚することが多く、最近のエージェントシステムは通常、ツール出力と検索知識を共有コンテキストに統合するため、矛盾する証拠やコンテキスト汚染の影響を受けやすくなっています。この問題に対処するため、研究チームはPathoSageを提案しました。これは、パッチレベルの病理学マルチモーダル推論のための知識検索、証拠収集、証拠裁定を明確に分離した3段階フレームワークです。
PathoSageの中核コンポーネントは構造化証拠審議（Structured Evidence Deliberation）です。これは、分類器や視覚質問応答システムなどのツールからの異種証拠を独立に評価し、矛盾分析を実施し、新しいコンテキストで最終判断を生成することでアンカリングバイアスを低減します。さらに、訓練不要のベータ-ベルヌーイ経験システムを導入し、継続的なクレジット割り当てによりツールの長期的な信頼性をモデル化し、将来のツール使用のための類似性重み付き事前分布を構築します。このシステムは、ツールの過去のパフォーマンスに基づいて動的に信頼度を調整することを可能にします。
実験結果は、PathoSageがVQA幻覚と分類器の不一致を効果的に軽減し、強力な病理MLLMおよびエージェントベースラインを上回ることを示しています。具体的には、複数のタスクにおいて、PathoSageは幻覚率を大幅に低下させ、異なる分類器間の診断の不一致を解消しました。この研究は、明示的な証拠裁定と信頼性認識ツールモデリングがロバストな病理エージェントのための重要な要素であることを強調しています。
PathoSageの提案は、計算病理学におけるマルチソース証拠融合と意思決定の解釈可能性に新たな展望を開き、将来的には実際の臨床診断において病理学者の診断精度と一貫性を支援することが期待されます。このフレームワークは、病理学AIシステムの信頼性と実用性を大きく向上させる可能性を秘めています。