Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.07292

帮助 | 高级搜索

计算机科学 > 人工智能

arXiv:2508.07292 (cs)
[提交于 2025年8月10日 ]

标题: EndoAgent:一种用于智能内窥镜视觉到决策推理的内存引导反思代理

标题: EndoAgent: A Memory-Guided Reflective Agent for Intelligent Endoscopic Vision-to-Decision Reasoning

Authors:Yi Tang, Kaini Wang, Yang Chen, Guangquan Zhou
摘要: 开发通用的人工智能(AI)系统以支持内窥镜图像诊断是一项新兴的研究重点。 基于大规模预训练的现有方法通常在任务之间缺乏统一的协调,难以处理复杂临床工作流程中所需的多步骤过程。 尽管AI代理在跨领域的灵活指令解析和工具集成方面显示出潜力,但其在内窥镜领域的潜力仍鲜有研究。 为解决这一差距,我们提出了EndoAgent,这是第一个基于记忆引导的视觉到决策的内窥镜分析代理,它结合了迭代推理与自适应工具选择和协作。 基于双记忆设计,它通过短期动作跟踪确保逻辑连贯性,并通过长期经验学习逐步提高推理敏锐度,从而实现复杂的决策。 为了支持多种临床任务,EndoAgent在一个统一的推理循环中集成了专家设计的一套工具。 我们进一步引入了EndoAgentBench,这是一个包含5,709个视觉问答对的基准,用于评估真实场景中的视觉理解和语言生成能力。 大量实验表明,EndoAgent始终优于通用和医学多模态模型,表现出其强大的灵活性和推理能力。
摘要: Developing general artificial intelligence (AI) systems to support endoscopic image diagnosis is an emerging research priority. Existing methods based on large-scale pretraining often lack unified coordination across tasks and struggle to handle the multi-step processes required in complex clinical workflows. While AI agents have shown promise in flexible instruction parsing and tool integration across domains, their potential in endoscopy remains underexplored. To address this gap, we propose EndoAgent, the first memory-guided agent for vision-to-decision endoscopic analysis that integrates iterative reasoning with adaptive tool selection and collaboration. Built on a dual-memory design, it enables sophisticated decision-making by ensuring logical coherence through short-term action tracking and progressively enhancing reasoning acuity through long-term experiential learning. To support diverse clinical tasks, EndoAgent integrates a suite of expert-designed tools within a unified reasoning loop. We further introduce EndoAgentBench, a benchmark of 5,709 visual question-answer pairs that assess visual understanding and language generation capabilities in realistic scenarios. Extensive experiments show that EndoAgent consistently outperforms both general and medical multimodal models, exhibiting its strong flexibility and reasoning capabilities.
主题: 人工智能 (cs.AI) ; 计算与语言 (cs.CL)
引用方式: arXiv:2508.07292 [cs.AI]
  (或者 arXiv:2508.07292v1 [cs.AI] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.07292
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yi Tang [查看电子邮件]
[v1] 星期日, 2025 年 8 月 10 日 11:02:57 UTC (9,467 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号