관련성 너머: 에이전트 기반 전체 슬라이드 이미지 추론을 위한 베이지안 증거 획득

Beyond Relevance: Bayesian Evidence Acquisition for Agentic Whole-Slide Image Reasoning

전체 슬라이드 이미지(WSI) 추론은 에이전트가 진단 질문에 대한 답변을 제공하기 전에 시각적 증거를 순차적으로 획득해야 하는 과정을 포함합니다. 기존의 학습이 필요 없는 에이전트 기반 프레임워크는 이 과정을 질문과의 의미적 관련성을 기반으로 한 반복적인 패치 검색으로 정의합니다. 그러나, 계산 병리학 분야에서 경쟁적인 진단은 종종 유사하고 중첩되는 형태학적 패턴을 나타내므로, 많은 패치가 의미적으로 관련성이 있지만 진단적으로 구별력이 없을 수 있습니다. 결과적으로, 관련성 기반 검색은 중복된 정보를 획득할 수 있으며, 진단적 불확실성을 해결하지 못할 수 있습니다. 본 논문에서는 WSI 추론을 베이지안 증거 획득 문제로 재구성하는 플러그 앤 플레이 에이전트 기반 프레임워크인 BEACON을 제안합니다. BEACON은 경쟁적인 진단 가설에 대한 확률적 믿음을 유지하고, 진단적 불확실성을 줄이기 위해 기대 정보 이득(EIG)을 최대화하면서 패치를 순차적으로 획득합니다. 증거 컨트롤러는 답변 여부, 추가 증거 획득 여부 또는 고해상도 검사 수행 여부를 결정합니다. BEACON은 기존의 기반 모델만을 사용하여 구축되었으며, 별도의 학습이나 미세 조정이 필요하지 않습니다. 다섯 가지 WSI-VQA 벤치마크에 대한 광범위한 제로샷 실험 결과, BEACON은 학습이 필요 없는 에이전트 기반 프레임워크 중에서 가장 뛰어난 성능을 보이며, 증거 획득 효율성을 크게 향상시켰습니다. 이를 통해 베이지안 증거 획득은 불확실성에 민감한 에이전트 기반 WSI 추론을 위한 효과적인 패러다임을 제공합니다. 코드: https://github.com/bryanwong17/BEACON

Whole-slide image (WSI) reasoning requires an agent to sequentially acquire visual evidence before answering a diagnostic question. Existing training-free agentic frameworks formulate this process as iterative patch retrieval based on semantic relevance to the question. However, semantic relevance does not necessarily imply diagnostic informativeness in computational pathology, where competing diagnoses often exhibit similar and overlapping morphological patterns, making many patches semantically relevant yet diagnostically non-discriminative. Consequently, relevance-based retrieval may acquire redundant observations and leave diagnostic uncertainty unresolved. We propose BEACON, a plug-and-play agentic framework that reformulates WSI reasoning as a Bayesian evidence acquisition problem. BEACON maintains a probabilistic belief over competing diagnostic hypotheses and sequentially acquires patches by maximizing expected information gain (EIG) to reduce diagnostic uncertainty. An evidence controller then determines whether to answer, acquire additional evidence, or perform higher-resolution inspection. Built entirely from off-the-shelf foundation models, BEACON requires no additional training or fine-tuning. Extensive zero-shot experiments across five WSI-VQA benchmarks demonstrate that BEACON achieves the strongest overall performance among training-free agentic frameworks while substantially improving evidence acquisition efficiency, establishing Bayesian evidence acquisition as a principled paradigm for uncertainty-aware agentic WSI reasoning. The code is available at https://github.com/bryanwong17/BEACON