arXiv cs.AI· Haoyuan Li, Mathias Funk, Aaqib Saeed·· 16 小时前AI 评分31
超越联邦学习：面向自演化临床智能的去中心化智能体系统
Beyond Federated Learning: Decentralized Agentic Systems for Self-Evolving Clinical Intelligence
AI 导读
一篇 Perspective 提出去中心化智能体系统（DAS）框架，主张医疗 AI 从数据聚合转向经验聚合：分布在各医疗机构的 AI 智能体共享抽象化的推理轨迹，而非原始数据或模型参数。与在同类架构间平均数值梯度的联邦学习不同，DAS 交换的是由观察、假设、工具调用和结果反馈构成的结构化临床推理记录。文章还讨论了该框架的架构原则、部署考量、治理要求与关键开放挑战。
正文 · AI 翻译
摘要：临床专业知识本质上是分布式的：它并不存在于任何单一数据集或机构中，而是存在于数千名临床医生在应对多样化患者群体、资源约束和不断演变的治疗方案过程中所积累的推理经验之中。然而，当前扩展医疗 AI 的方法，从集中式大语言模型到联邦学习，仍固守以数据为中心的范式，将知识视为可聚合的静态参数。在本 Perspective 中，我们主张从数据聚合向经验聚合的根本性转变。我们提出去中心化智能体系统（DAS），这是一个框架，其中跨医疗机构运行的分布式 AI 智能体通过共享抽象化的推理轨迹而非原始数据或模型参数，来综合集体临床智能。与在同构模型架构上对数值梯度取平均的联邦学习不同，DAS 交换结构化的临床推理记录，具体而言是构成诊断经验的观察、假设、工具调用和结果反馈序列。我们考察该框架的架构原则、部署考量、治理要求和关键开放挑战，为分布式专业知识能够自主适应纵向患者护理复杂性的协作式医疗 AI 生态系统奠定基础。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.35453 [cs.AI] |
| （或 arXiv:2610.35453v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35453 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haoyuan Li [查看邮箱]
[v1]
2026年10月26日星期一 13:50:33 UTC（2,486 KB）
来源：arXiv cs.AI · arxiv.org