AgentDS-BUS：一种具有解耦分割与特征分析的免微调智能体乳腺超声恶性分类框架

《npj Digital Medicine》：AgentDS-BUS: a fine-tuning-free agentic breast ultrasound malignancy classification framework with decoupled segmentation and feature analysis

　　

摘要

乳腺超声（BUS）恶性评估面临采集变异和跨数据集偏移的挑战。我们开发了AgentDS-BUS，一种智能体临床决策支持框架，该框架利用预训练基础模型而无需额外的BUS特异性模型微调，并将恶性评估分解为病灶定位与分割、基于感兴趣区域（ROI）条件的乳腺影像报告和数据系统（BI-RADS）对齐证据提取，以及结构化决策聚合。在本实现中，病灶掩膜通过共识门控的Segment Anything Model 3（SAM3）获得，对于低共识情况，使用临床医生提供的边界框作为回退分割。在来自七个公开BUS基准的4,331张图像和三个视觉语言模型（VLM）骨干上，AgentDS-BUS相较于仅图像提示提升了汇总AUROC/AUPRC。在Qwen3-VL下，性能从仅图像提示的0.636/0.524提升至AgentDS-BUS共识门控ROI的0.717/0.606，以及AgentDS-BUS真值（GT）预言ROI的0.791/0.654。在使用灵枢时，AgentDS-BUS在共识门控ROI设置中达到0.760/0.678，在GT-ROI设置中达到0.807/0.715。这些发现支持结构化智能体分解和基于ROI条件的证据提取作为BUS决策支持的一种透明方法。