内容提要
浙江大学和上海人工智能实验室提出的IBISAgent框架，将医学图像分割重新定义为多步视觉决策过程，克服了现有方法的局限。通过冷启动和强化学习，IBISAgent在多个基准测试中显著提升了分割性能，展示了自主多轮交互推理的优势，为智能医学图像分析奠定了基础。
关键要点
-
IBISAgent框架将医学图像分割重新定义为多步视觉决策过程，克服了现有方法的局限。
-
现有医学多模态大模型普遍采用单次前向推理，无法有效处理复杂的生物医学图像。
-
IBISAgent通过冷启动和强化学习显著提升了分割性能，展示了自主多轮交互推理的优势。
-
IBISAgent的分割过程建模为多步推理轨迹，每一步形成视觉感知与语言推理的闭环。
-
IBISAgent采用两阶段训练方案，包括冷启动SFT和Agentic强化学习，增强了模型的鲁棒性。
-
实验结果显示，IBISAgent在多个基准测试中大幅领先其他方法，证明了其设计的有效性。
-
细粒度的逐步反馈信号是驱动模型在质量与效率之间取得最优平衡的关键。
延伸问答
IBISAgent框架的主要创新点是什么？
IBISAgent框架将医学图像分割重新定义为多步视觉决策过程，形成视觉感知与语言推理的闭环，且不引入新的模型组件或隐式token。
IBISAgent如何提升医学图像分割的性能？
IBISAgent通过冷启动和强化学习显著提升分割性能，采用细粒度奖励机制在每个交互步骤提供反馈，优化了分割过程。
与现有医学多模态大模型相比，IBISAgent有哪些优势？
IBISAgent在多个基准测试中大幅领先其他方法，尤其在处理复杂生物医学图像时表现更佳，且保留了完整的语言能力。
IBISAgent的训练过程是怎样的？
IBISAgent采用两阶段训练方案，包括冷启动SFT和Agentic强化学习，前者生成高质量冷启动数据集，后者通过细粒度奖励优化模型。
IBISAgent如何处理复杂的生物医学图像？
IBISAgent通过多步推理轨迹和细粒度反馈机制，能够有效处理细微的病灶边界和复杂的解剖结构。
IBISAgent的实验结果如何？
实验结果显示，IBISAgent在多个基准测试中显著领先其他方法，平均IoU提升35.13%，证明了其设计的有效性。
