简介
Clinical machine learning (ML) 有潜力支持高风险的医疗决策，但其可靠性往往受到数据稀缺、异构性和时间复杂性的限制。开发有效的 ML 流水线对于此类数据来说仍然是耗时且容易出错的，而现有的自动机器学习 (AutoML) 系统仅部分解决了这一挑战，因为它们在很大程度上依赖于预定义空间的暴力搜索，并缺乏明确的推理和记忆。 我们提出了 DoctorAgents，一种能自主构建和优化端到端 ML 流水线的智能 AI 框架，通过为生成、验证和改进专门的大型语言模型 (LLM) 代理。DoctorAgents 通过文本梯度下降反向传播自然语言反馈以执行有针对性的更新，而无需进行彻底搜索。
实验结果
在多样化的临床任务中，实验表明 DoctorAgents 一致地优于现有的 AutoML 基线，同时产生更易解释的任务特定表示。 博主点评： DoctorAgents 框架通过引入大型语言模型代理，显著提高了小型临床时间序列数据的 AutoML 效率和解释性，有望加速临床机器学习的应用。