PathoSage：病理学多源证据裁决新框架

在计算病理学领域，多模态大语言模型（MLLMs）与智能体工作流的最新进展展现出巨大潜力，但可靠的补丁级推理仍面临挑战。端到端的病理学MLLMs常出现形态学特征幻觉，而现有智能体系统往往将工具输出与检索知识简单合并至共享上下文，导致决策易受冲突证据与上下文污染影响。针对这一痛点，研究团队提出PathoSage框架，通过显式分离知识检索、证据收集与证据裁决三个阶段，实现更稳健的病理学多模态推理。

PathoSage的核心创新在于结构化证据审议组件。该组件独立评估来自不同工具的异质证据，执行冲突分析，并在全新上下文中生成最终判断，从而有效减少锚定偏差。传统方法将多种信息来源混合处理，容易让模型受到矛盾信息干扰，而PathoSage通过隔离各证据源的独立评估，确保每份证据的贡献不被其他信息污染。这种设计类似于司法审判中陪审团独立审议证据，而非让证人与律师直接辩论。

此外，PathoSage引入了一种无需训练的Beta-Bernoulli经验系统，通过连续信用分配机制建模长期工具可靠性。该系统能够为未来工具使用构建相似性加权先验，使模型在调用不同病理分析工具时，自动参考历史表现数据。例如，若某染色分析工具在过往案例中准确率较低，系统会降低其当前决策权重；反之，表现稳定的工具将获得更高信任度。这种动态权重调整机制显著提升了多源证据融合的鲁棒性。

实验结果表明，PathoSage在多项病理学视觉问答基准测试中有效缓解了幻觉现象，并解决了分类器间的不一致问题。与当前最强的病理学MLLMs和智能体基线相比，PathoSage在补丁级推理任务上取得了更优性能。特别是在涉及多种免疫组化标记物联合解读的复杂病例中，该框架能够准确识别不同染色结果间的矛盾点，并基于可靠性建模做出合理裁决。

研究团队强调，显式证据裁决与可靠性感知工具建模是构建稳健病理学智能体的关键要素。PathoSage的模块化设计使其易于扩展至其他医学影像分析场景，如放射学或皮肤病理学。未来工作将探索如何将该框架与持续学习机制结合，使系统能够在临床部署中不断优化工具评估模型，进一步提升诊断辅助的准确性与可信度。