MedRAX: ИИ-агент для медицинского анализа рентгенограмм грудной клетки 174

MedRAX — это первая унифицированная платформа, объединяющая передовые инструменты для анализа рентгенограмм грудной клетки (CXR) с мультимодальными большими языковыми моделями. Она создана для решения трёх ключевых проблем традиционных медицинских ai-систем: фрагментированной архитектуры одно-задачных моделей, сложных клинических цепочек рассуждений и отсутствия механизмов межинструментального взаимодействия.

Ключевая функция MedRAX заключается в использовании механизма динамической диспетчеризации, который без необходимости переобучения координирует разнородные инструменты — классификаторы изображений, модели сегментации поражений, системы генерации текста и другие — обеспечивая полный цикл анализа от базового распознавания патологий до многомерной дифференциальной диагностики.

Технические особенности MedRAX

• Гетерогенная архитектура совместной работы моделей: интеграция лёгких классификационных моделей (для быстрого определения ключевых анатомических структур) и визуально-языковых моделей с десятками миллиардов параметров (для обработки сложных запросов, требующих семантического понимания), с оптимизацией вычислительных ресурсов посредством алгоритма маршрутизации в реальном времени

• Структурированный механизм рассуждений: пятиуровневый процесс принятия решений (анализ задачи → выбор инструмента → разрешение конфликтов → интеграция результатов → оценка достоверности), обеспечивающий интерпретируемость медицинских решений

• Способность к zero-shot адаптации: основанная на контекстном восприятии стратегия комбинирования инструментов с поддержкой plug-and-play новых диагностических модулей; время отклика системы удерживается в клинически приемлемых пределах (в среднем 3,2 секунды на случай)

Применение MedRAX

• Распознавание сложных медицинских устройств: путём совместного вызова инструмента разметки изображений и базы данных анатомических структур достигается точность 96,7% в задаче локализации грудных катетеров, что значительно превосходит одномодельные системы (81,2%)

• Многоэтапная дифференциальная диагностика: для дифференциации пневмоторакса и пневмонии на снимках применяется поэтапная стратегия — сначала модель сегментации количественно оценивает прозрачность лёгочных полей, затем проводится временной анализ с учётом текстов истории болезни; уровень совпадения диагнозов повышается на 34%

• Поддержка экстренных вмешательств: в сценарии оценки степени пневмоторакса интеграция алгоритма объёмных измерений и модели прогнозирования гемодинамики предоставляет количественную основу для принятия решений о проведении закрытого дренирования плевральной полости

Валидация MedRAX

Созданный исследовательской группой бенчмарк ChestAgentBench охватывает 7 ключевых измерений возможностей:

• Анализ анатомических структур (распознавание 12 грудных ориентиров)

• Связь патологических признаков (32 пары «заболевание-признак»)

• Отслеживание временных изменений (включая сравнительный анализ исторических снимков)

• Идентификация медицинского оборудования (распознавание 9 распространённых интервенционных устройств)

• Количественные измерения (извлечение 21 ключевого биомаркера)

• Диагностические рассуждения (дерево дифференциальной диагностики для множества заболеваний)

• Поддержка терапевтических решений (формирование рекомендаций на основе клинических руководств)

Производительность MedRAX

В тестировании на 2500 сложных запросах общая точность MedRAX составила 89,4%, что значительно превосходит GPT-4o (72,1%) и специализированную модель CheXagent (83,6%). Особенно в задачах, требующих взаимодействия нескольких инструментов (например, «оценить прогрессирование пневмоторакса и разработать план дренирования»), благодаря поэтапному вызову модели сегментации, гемодинамического симулятора и базы данных руководств система достигает успеха в 91,2% случаев, тогда как сквозные модели — лишь в 54,3%.

Клиническая ценность MedRAX

Прорыв системы заключается в достижении баланса между «точностью медицины» и «операционной эффективностью»: сохраняется детальный аналитический потенциал профессиональных инструментов обработки изображений и одновременно используются преимущества языковой модели в понимании контекста. Два типичных примера показывают, что в сценариях ошибочной интерпретации катетера система, сопоставляя признаки с базой данных характеристик устройств, исправляет 83% ошибок одномодельных систем; при сложной оценке пневмоторакса её поэтапная аналитическая стратегия повышает достоверность диагноза до 98% доверительного интервала.

Руководство по развёртыванию

1. Требования к базовому окружению

Python 3.8+

CUDA 11.8+ (рекомендуется ускорение на GPU)

16 ГБ+ оперативной памяти

2. Процедура быстрого запуска

# 获取项目代码
git clone https://github.com/bowang-lab/MedRAX.git
cd MedRAX
# 安装依赖库
pip install -e .
# 配置API密钥
export OPENAI_API_KEY="your_api_key"
# 启动诊断系统
python main.py --model_dir /path/to/model_weights

3. Проведение бенчмарк-тестирования

Получите набор данных для оценки ChestAgentBench через Hugging Face (включает 2500 клинических сценариев):

huggingface-cli download wanglab/chestagentbench --repo-type dataset
unzip chestagentbench/figures.zip -d MedMAX

Перспективы развития MedRAX

• Создание модуля квантификации неопределённости для добавления к диагностическим заключениям вероятностных доверительных интервалов

• Разработка алгоритма адаптивного выбора инструментов, динамически оптимизирующего путь рассуждений в зависимости от аппаратной конфигурации медицинского учреждения

• Расширение поддержки мультимодального ввода (например, интеграция данных 3D-реконструкции КТ) и создание механизма кросс-модальной перекрёстной проверки

Концепция платформы — органичное слияние профессиональных инструментов и универсальных базовых моделей — задаёт новую парадигму эволюции медицинских AI-систем, а её методология может быть распространена на другие области медицинской визуализации, такие как УЗИ и патологические срезы.

GitHub:https://github.com/bowang-lab/MedRAX