OA-MAP: Evidence-Grounded Multi-Agent Multimodal Framework for Interpretable Knee Osteoarthritis Progression

📄 arXiv: 2610.12134v1 📥 PDF

作者: Sixu Chen, Mingrui Yang, Qiang Guan, Xiaojuan Li

分类: cs.AI, cs.MA

发布日期: 2026-10-08

💡 一句话要点

提出OA-MAP框架以解决膝关节骨关节炎进展预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 膝关节骨关节炎 多模态数据 风险估计 自动化评估 临床决策支持 不确定性评估 医疗影像分析

📋 核心要点

  1. 现有方法在膝关节骨关节炎进展预测中面临多模态数据整合和风险估计孤立性的问题，限制了对预测结果的深入理解。
  2. OA-MAP框架通过整合MRI、X光和临床数据，利用多代理系统实现自动化的进展评估，提供可解释的结果和支持证据。
  3. 在600名参与者的实验中，OA-MAP的融合模型在结构进展和疼痛进展的AUROC分别达到了0.80和0.68，显示出显著的预测能力。

📝 摘要（中文）

膝关节骨关节炎（KOA）进展预测能够支持患者监测，但需要整合多模态数据和多领域专业知识。现有的孤立风险估计对预测的深层次理解有限。为自动化进展评估工作流程并减少人工干预，同时提供可解释的发现和支持证据，本文提出了OA-MAP，一个自主的多代理框架，用于基于证据的KOA结构和疼痛进展评估。该系统结合了MRI、X光和临床代理等特定模态代理，以及协调代理。该框架能够自主招募专业代理，选择预测和分析工具，并根据用户请求和可用患者信息检索文献作为外部证据。通过不确定性知情的人机协作机制，临床医生可以审查和修正中间结果，从而触发受影响结果的重新计算。我们在FNIH骨关节炎生物标志物联盟队列中评估了预测模型，测试集100名参与者的融合模型在结构进展和疼痛进展上分别达到了0.80和0.68的AUROC。

🔬 方法详解

问题定义：本文旨在解决膝关节骨关节炎（KOA）进展预测中的多模态数据整合和孤立风险估计的问题。现有方法往往无法提供深入的预测理解，限制了临床应用的有效性。

核心思路：OA-MAP框架通过自主招募不同模态的专业代理（如MRI、X光和临床代理），实现基于证据的自动化评估，旨在提高预测的准确性和可解释性。

技术框架：OA-MAP的整体架构包括多个模态特定的代理和一个协调代理。系统能够根据用户请求和患者信息选择合适的工具进行预测和分析，并检索相关文献作为支持证据。

关键创新：OA-MAP的主要创新在于其多代理系统的设计，能够动态整合不同模态的信息，并通过不确定性知情的人机协作机制，允许临床医生对中间结果进行审查和修正。

关键设计：在模型设计中，采用了融合模型来综合不同模态的预测结果，并设置了相应的损失函数以优化预测性能。系统还设计了不确定性评估机制，以帮助临床医生理解预测结果的可靠性。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在600名参与者的实验中，OA-MAP的融合模型在结构进展和疼痛进展的AUROC分别达到了0.80和0.68，显示出显著的预测能力，优于现有的孤立风险估计方法，提升幅度明显。

🎯 应用场景

该研究的潜在应用领域包括医疗影像分析、临床决策支持和个性化医疗。OA-MAP框架能够为膝关节骨关节炎患者提供更为精准的监测和评估，提升临床治疗效果，并为未来的研究提供数据支持和理论基础。

📄 摘要（原文）

Knee osteoarthritis (KOA) progression prediction can support patient monitoring, requiring the integration of multimodal data and multidomain expertise. Moreover, isolated risk estimates provide limited insight underlying a prediction. To automate the progression assessment workflow and reduce manual effort while providing interpretable findings and supporting evidence, we present OA-MAP, an autonomous multi-agent framework for evidence-grounded assessment of structural and pain progression in KOA. The system incorporates modality-specific agents including MRI, X-ray, and clinical agents, together with a coordinator agent. This framework can autonomously recruit specialist agents, select tools for prediction and analysis, and retrieve literature as external evidence based on user request and available patient information. An uncertainty-informed human-in-the-loop mechanism enables clinicians to review and correct intermediate findings, triggering recomputation of affected results. We evaluate the prediction models using 600 participants from the FNIH Osteoarthritis Biomarkers Consortium cohort. On the test set of 100 participants, the fusion models achieve AUROCs of 0.80 for structural progression and 0.68 for pain progression. A case study illustrates how OA-MAP combines risk estimates with intermediate findings, cross-modal conflicts, literature support, and uncertainty indicators to support interactive review.