精读与批判：AgentRx —— 多模态临床预测中，单 Agent 反超多 Agent

• 论文：AgentRx: A Benchmark Study of LLM Agents for Multimodal Clinical Prediction Tasks
• 作者/团队：Baraa Al Jorf 等
• 链接：https://arxiv.org/abs/2605.10286 ｜ https://arxiv.org/html/2605.10286v1
• 发表：arXiv v1，2026-05-11；已被 AHLI Conference on Health, Inference, and Learning 2026 接收
• 主题分类：医疗 AI / 多模态 / Agent 评测 / 多 Agent 协作
• 关键标签：medical-multimodal agent-benchmark single-vs-multi-agent calibration EHR+CXR+RR+PS

一、核心贡献（论文自述 + 我的浓缩）

1. 基准：AgentRx —— 系统评测 LLM agent 在多模态临床预测任务上的表现。模态覆盖四类： - EHR（电子健康记录，时序结构化） - RR（放射学报告，文本） - CXR（胸部 X 光，图像） - PS（处方 / 患者摘要，文本）
2. 对比维度： - 单模态 vs 多模态：量化多模态融合的实际增益 - 单 agent vs 多 agent：量化协作开销与真实收益
3. 关键发现： - 单 agent 框架优于"朴素"多 agent 系统 - 单 agent 在处理多模态数据、概率校准（calibration）方面更稳 - 暗示：当前多 agent 协作机制在异构医疗数据下没有兑现承诺
4. 开源：代码 + 评测框架已开源，可作为后续医疗 agent 工作的基座。
5. 定位：面向"医院间数据碎片化"现实 —— 多 agent / 联邦式协作被视为有前景的方向，但本文给出了反例。

一句话：实测临床多模态场景，单 agent 反而更好；多 agent 协作要么协议设计不够，要么在异构数据下根本不划算。

二、方法拆解（精读要点）

• 真实世界大规模数据（不是 toy 数据集）—— 这是与许多医疗 LLM 评测的关键区别。
• 任务族：临床风险预测（mortality、再入院、并发症等概率估计），需要的是校准好的概率，不是单点精度。
• Agent 框架：摘要里区分了 single-agent 与 multi-agent 两种实现，但具体拓扑（orchestrator-worker？debate？specialist router？）需要精读正文。
• 校准指标：ECE（Expected Calibration Error）或同类指标 —— 单 agent 校准更好这一点，对临床落地比 AUC 更关键。
• 数据规模与脱敏：原文 2.5MB PDF 表明可能附了详细附录；具体 patient cohort 规模、机构来源、数据许可协议待补查。

三、主要问题与风险（批判视角）

1. "朴素多 agent"这个限定很关键：作者自己说了 "naive multi-agent systems" —— 多 agent 退步不代表"多 agent 没用"，只代表这种特定实现没用。需要在引用时严格保留这个限定，避免被简化成"多 agent 在医疗场景全军覆没"。
2. 基线选择偏差：单 agent 通常 prompt 更紧凑、决策路径更短，天然在延迟/成本上占优。如果评测表同时报告准确率和 cost/latency，需要确认是否做了帕累托前沿分析。
3. 校准 ≠ 临床效用：更好的 ECE 不等于临床决策更好。决策曲线分析（decision curve analysis）才是临床落地关心的 —— 摘要里没看到，待补查正文。
4. 数据隐私与可复现性：临床数据的二次使用限制通常很强，"代码 + 框架"开源但数据本身能否复跑？需要在仓库 README 里确认 de-identification / data use agreement。
5. 单模态 vs 多模态增益不对称：如果某些模态本身信号弱（例如 PS 是 EHR 的子集），单 agent 可能因为"用不上就不用"反而更稳；多模态融合的失败不一定是协作问题，可能是融合机制设计问题。

四、可信度评估

• 方法论：★★★★☆ —— 真实大规模数据 + 系统性对照 + 校准指标，比纯文本医疗 LLM 评测更可信。
• 结论强度：★★★★☆ —— 单 agent > 多 agent 的结论在给定"朴素多 agent"实现下可信；外推到"多 agent 普遍不适合医疗"要谨慎。
• 可复现性：★★★☆☆ —— 框架开源，但临床数据复跑门槛高。后续工作是否能用公开 EHR（如 MIMIC）复跑？待核。
• 影响力预测：★★★★★ —— AHLI 接收 + 反直觉结论 + 落地场景明确，预计会进入"医疗 agent 综述必引"行列。

五、与近期工作的关系（待精读补充）

• 医疗 LLM agent 综述：与近期 MedAgent、Med-PaLM 2、Agent Hospital 系列工作形成互补 —— 后者多在演示/模拟环境，本文是真实数据 benchmark。
• 多 agent 退步信号：与 CrossMath（arXiv:2604.16256）"模态鸿沟"形成跨域呼应 —— 多通道信息 ≠ 更好性能，整合机制才是瓶颈。
• 与本周 jay/tom 已读医疗 agent 评测去重：jay 目录已有 BenchJack、AgentVista 等评测类草稿，AgentRx 与它们领域不重叠（聚焦临床），可正常入库。

六、入库建议与后续动作

• 入库建议：✅ 建议入库 notes/agents/healthcare/ 或 reviews/healthcare-agents/。
• 建议路径：notes/agents/healthcare/agentrx-benchmark.md
• 或：reviews/2026-05-agentrx.md
• 后续验证动作： 1. 待补查：多 agent 框架的具体拓扑（是否包含 debate / role-specialization）。 2. 待补查：单 agent 是否也用 CoT / tool-use；如果两者都开 tool，结果会更可比。 3. 待补查：calibration 之外的指标（DCA、AUPRC 在类别不平衡下的表现）。 4. 待补查：与 MedAgent、EHRSQL 等单 agent baseline 的相对位置。
• 跨实例去重：与 jay / stephen / tom 目录未冲突，可正常入库。