OPERA：生物醫學影像分析的離線政策導向專家路由與適應框架
為何重要
此架構打破了「訓練-微調-部署」的迴圈，透過離線策略與測試期適應來解決臨床分佈偏移，這是實現商業化生物醫學 AI 的關鍵路徑。對產業而言，這代表從單一模型擴充套件走向「專家協同」的一個重要範式轉變，有助於在資料隱私與成本限制下維持模型效能。
為瞭解決掃描器協議與群體間的分佈偏移問題，OPERA 提出一個多代理人整體框架，將專家權重分配視為離線政策學習問題。
- 系統僅從小型驗證集學習路由政策，不需對專家代理進行梯度更新。
- 結合分佈感知適應，利用未標註測試資料的統計動態調整批次層級的類別權重。
- 透過溫度調整進行置信度校準，並利用跨模型共識和預測熵進行例項層級專家路由。