PathoSage: Towards Multi-Source Evidence Adjudication in Pathology via Experience-Aware Agentic Workflow

摘要：多模态大语言模型（MLLMs）与智能体工作流的最新进展在计算病理学领域展现出巨大潜力，但可靠的斑块级推理仍具挑战性。端到端病理学MLLMs常出现形态学特征幻觉，而近期智能体系统通常将工具输出与检索知识合并到共享上下文中，导致决策易受矛盾证据与上下文污染影响。我们提出PathoSage——一个三阶段框架，通过显式分离知识检索、证据收集与证据裁决，实现斑块级病理学多模态推理。其核心组件“结构化证据审议”可独立评估来自工具的异质证据，执行冲突分析，并在全新上下文中生成最终判断以减少锚定偏差。我们进一步引入无需训练的Beta-Bernoulli经验系统，通过连续信用分配建模长期工具可靠性，并为未来工具使用构建基于相似性加权的先验知识。实验表明，PathoSage有效缓解了VQA幻觉与分类器分歧，性能超越强病理学MLLM及智能体基线。我们的结果凸显了显式证据裁决与可靠性感知工具建模作为稳健病理学智能体关键要素的重要性。