경험 기반 자가 적응형 연쇄형 에이전트 시스템: 유방암 선별 및 진단, 그리고 불필요한 생검 감소

Experience-Guided Self-Adaptive Cascaded Agents for Breast Cancer Screening and Diagnosis with Reduced Biopsy Referrals

본 연구에서는 유방 초음파 선별 및 진단을 위한 경험 기반 연쇄형 다중 에이전트 프레임워크인 BUSD-Agent를 제안하며, 이는 진단 과정의 과도한 단계 증가와 불필요한 생검 의뢰를 줄이는 것을 목표로 합니다. 우리 프레임워크는 선별 및 진단을 두 단계로 구성된 선택적 의사 결정 과정으로 모델링합니다. 가벼운 '선별 클리닉' 에이전트는 분류 모델을 사용하여 악성 위험 및 불확실성이 낮다고 판단되는 양성 및 정상 사례를 추가적인 진단 과정에서 제외합니다. 더 높은 위험을 가진 사례는 '진단 클리닉' 에이전트로 전달되며, 이 에이전트는 더욱 풍부한 정보와 방사선학적 설명을 활용하여 생검 의뢰에 대한 이차적인 결정을 내립니다. 에이전트의 성능을 향상시키기 위해, 조직 검사 결과가 확인된 과거 기록과 함께 이미지 임베딩, 모델 예측, 그리고 과거 에이전트의 행동 정보가 구조화된 의사 결정 경로 형태로 메모리 뱅크에 저장됩니다. 새로운 사례가 주어지면, BUSD-Agent는 이미지, 모델 응답 및 신뢰도 유사성을 기반으로 유사한 과거 사례를 검색하여 에이전트의 현재 의사 결정 정책을 조정합니다. 이를 통해 파라미터 업데이트 없이 이전 경험을 바탕으로 모델의 신뢰도와 의사 결정 기준을 동적으로 조정하는 컨텍스트 적응이 가능합니다. 10개의 유방 초음파 데이터 세트에 대한 평가 결과, 제안된 경험 기반 워크플로우는 BUSD-Agent의 진단 과정 단계 증가율을 84.95%에서 58.72%로, 전체 생검 의뢰율을 59.50%에서 37.08%로 감소시켰습니다. 또한 평균 선별 특이도는 68.48%, 진단 특이도는 6.33% 향상되었습니다.

We propose an experience-guided cascaded multi-agent framework for Breast Ultrasound Screening and Diagnosis, called BUSD-Agent, that aims to reduce diagnostic escalation and unnecessary biopsy referrals. Our framework models screening and diagnosis as a two-stage, selective decision-making process. A lightweight `screening clinic' agent, restricted to classification models as tools, selectively filters out benign and normal cases from further diagnostic escalation when malignancy risk and uncertainty are estimated as low. Cases that have higher risks are escalated to the `diagnostic clinic' agent, which integrates richer perception and radiological description tools to make a secondary decision on biopsy referral. To improve agent performance, past records of pathology-confirmed outcomes along with image embeddings, model predictions, and historical agent actions are stored in a memory bank as structured decision trajectories. For each new case, BUSD-Agent retrieves similar past cases based on image, model response and confidence similarity to condition the agent's current decision policy. This enables retrieval-conditioned in-context adaptation that dynamically adjusts model trust and escalation thresholds from prior experiences without parameter updates. Evaluation across 10 breast ultrasound datasets shows that the proposed experience-guided workflow reduces diagnostic escalation in BUSD-Agent from 84.95% to 58.72% and overall biopsy referrals from 59.50% to 37.08%, compared to the same architecture without trajectory conditioning, while improving average screening specificity by 68.48% and diagnostic specificity by 6.33%.