介绍AD诊断需要在不同检测费用和患者负担下顺序获取证据。传统固定模态预测器无法同时决定采集哪项检测以及何时已有证据足够诊断。我们提出SCOPE-AD（Sequential Cost‑Aware Ordinal‑Belief Planning with Energy‑Based Models for Diagnostic Agents），用于在认知正常（CN）、轻度认知障碍（MCI）和阿尔茨海默病（AD）三类之间进行成本感知分类。
核心技术包括：
-
掩码感知序数模型，在CN→MCI→AD的有序连续体上表示不确定性，并能够处理缺失的检测值。
-
使用回顾性训练记录采样得到的Bellman目标，训练一个能量基教师模型，其动作分布通过蒸馏转化为Qwen策略网络。
-
部署时，代理在可用性和预算约束下选择“获取检测”或“直接诊断”动作，且只能访问已获取的检测值。每次获取后，证据和序数信念都会更新，再做下一步决策。
在ADNI数据集上，SCOPE‑AD在平均获取成本为$50.46的情况下实现了77.70%的Macro‑F1，较最强基线提升9.34个百分点。全模态评估仅将Macro‑F1提升1.89点，却使获取成本增加116.7倍。实验表明，选择性获取能够在保持诊断性能的同时显著降低成本。
点评