TopoAgent: 의료 영상에서의 자동 위상학 학습을 위한 에이전트 기반 프레임워크

TopoAgent: An Agentic Framework for Automated Topology Learning in Medical Imaging

위상 데이터 분석(TDA), 특히 지속적 호모로지(PH)는 의료 영상에서 연결 요소, 루프, 형태 특징과 같은 기하학적 구조적 특성을 파악하는데, 이는 기존의 픽셀 단위 심층 학습 접근 방식이 종종 간과하는 부분입니다. 다양한 위상 기술자들이 존재하며, 이들은 지속성 다이어그램(PD) 또는 원시 이미지를 위상 특징 벡터로 변환합니다. 그러나 기존 방법은 대부분 단일 고정된 기술자(예: 지속성 이미지)를 사용하므로, 위상 표현의 다양성이 충분히 활용되지 못하고 있습니다. 저희가 아는 한, 특정 이미지 데이터셋에 가장 적합한 위상 기술자를 자동으로 결정하고, 이를 바탕으로 다운스트림 작업에 필요한 해당 위상 특징 벡터를 생성할 수 있는 대규모 언어 모델(LLM) 기반 에이전트 프레임워크는 아직 존재하지 않습니다. 이러한 격차를 메우기 위해, 저희는 의료 영상 분석을 위한 위상학 학습을 자동화하는 LLM 기반 에이전트 프레임워크인 **TopoAgent**를 제안합니다. TopoAgent는 21개의 도메인 특화 도구와 이중 메모리를 활용하여 인식-추론-행동-반성 루프를 통해 작동하며, 이를 통해 여러 번의 실행 과정에서 경험을 축적합니다. TopoAgent의 기술은 6가지 분류기를 사용하여 26개의 데이터셋에 걸쳐 15개의 위상 기술자를 체계적으로 평가한 결과를 바탕으로 구축되었습니다. TopoAgent는 입력 이미지와 그들의 위상 특징을 분석하고, 어떤 위상 기술자가 입력에 가장 적합할지 추론하며, 최적의 기술자와 구성 설정을 결정합니다. 이 모든 과정은 특정 작업에 대한 별도의 학습 없이 수행됩니다.

Topological data analysis (TDA), particularly persistent homology (PH), captures geometric structural properties in medical images (e.g., connected components, loops, shape characteristics), which conventional pixel-level deep learning approaches often neglect. While many topological descriptors are known for converting persistence diagrams (PDs) or raw images into topological feature vectors, existing methods mostly default to a single fixed descriptor (e.g., persistence images), leaving the diversity of topological representations largely unexplored. To the best of our knowledge, there is no known large language model (LLM)-based agentic framework that can automatically determine the most suitable topological descriptors for a given image dataset and produce the corresponding topological feature vectors for downstream tasks. To fill this gap, we propose \textbf{TopoAgent}, an LLM-based agentic framework that automates topology learning for medical image analysis.TopoAgent operates through a Perception--Reasoning--Action--Reflection loop supported by 21 domain-specific tools and dual memory that accumulates experience across runs. Its skill set is distilled from systematic evaluation of 15 topological descriptors across 26 datasets with six classifiers. TopoAgent analyzes input images and their topological characteristics, reasons about which topological descriptors best suit the input, and determines the optimal descriptor and its configuration, all without task-specific training.