OA-MAP：面向可解释膝骨关节炎进展的证据驱动多智能体多模态框架

研究者提出 OA-MAP，一个用于膝骨关节炎进展评估的自主多智能体多模态框架。系统包含 MRI、X-ray 和临床等模态专属智能体以及协调智能体，可按用户请求与患者信息自主调用专家智能体、选择预测分析工具并检索文献作为外部证据。基于 FNIH Osteoarthritis Biomarkers Consortium 队列 600 名参与者，在 100 人测试集上，融合模型对结构进展的 AUROC 为 0.80，对疼痛进展为 0.68；案例研究展示其结合风险估计、中间发现、跨模态冲突、文献支持和不确定性指标支持交互式复核。

既往膝骨关节炎进展预测多为单一风险数值，缺少支撑依据与可核查的中间推理。该工作把多模态模型与多智能体编排、文献检索和不确定性驱动的人工复核结合，使预测结果附带证据和冲突提示，为临床审核流程提供可追溯的自动化路径。

框架按模态拆分 MRI、X-ray、临床智能体，由协调智能体根据用户请求与患者信息动态招募并选择工具，再检索文献作为外部证据。不确定性信息触发 human-in-the-loop，临床医生可修正中间发现并触发受影响结果重算，从而把预测、解释与人工校正串成闭环。

对医疗 AI 产品而言，该方向意味着交付物从单一分数转向风险分数、证据链、跨模态冲突与不确定性提示的组合，需要前端支持交互式复核和结果重算，研发上则要处理多智能体调度、工具调用与文献检索的工程集成。

• 在影像与临床数据产品中增加证据面板，展示模态来源、文献支持与冲突提示
• 为医生审核设计可修正中间发现的交互流程，并记录修正后重算结果
• 将不确定性阈值配置为触发人工复核的规则，减少低置信自动结论

• 摘要未披露各模态智能体与融合模型的具体架构和训练细节
• 疼痛进展 AUROC 0.68 相对结构进展偏低，原因与改进空间未说明
• human-in-the-loop 的实际使用成本、复核耗时与临床工作流适配性未量化
• 尚无外部独立队列验证，泛化能力未知