胸片智能体不再默认调用工具：先判断证据是否必要，再把不可用的测量挡在推理之外
核心概要
胸片解读智能体X-Ragent把“要不要找证据”和“测量能不能用”拆成两条路径：策略只在需要时调用局部放大、解剖定位和知识检索工具，而心胸比等定量测量由独立的有效性门控决定是否进入推理。训练分两步，先用7,715条结构化诊断轨迹做智能体监督微调，再用带准确率门控的GRPO优化，过程奖励只作用于答对的轨迹。在完全未参与训练的ChestAgentBench上，准确率从最强基线的63.1%升到71.7%，七个解读能力全部提升。
深度剖析
胸片解读智能体开始区分“该不该找证据”和“找到的测量能不能用”，而不是把外部工具输出一律塞进推理。 此前的医学智能体可以调用外部模块，但缺少显式机制判断何时需要辅助证据，也难以阻止不适用的定量证据进入诊断推理。 在完全排除于训练之外的ChestAgentBench上，X-Ragent取得71.7%，比最强基线MedRAX的63.1%高8.6个百分点，并在该基准的七个解读能力上全部超过基线。
策略先做一次全局影像评估，再决定是否调用可选的视觉细化或知识检索工具；定量测量走另一条由采集条件把关的通道。 工具调用由策略生成，而心胸比、肺野不对称和胸腔移位由确定性后端计算，仅在view_check确认适用时暴露。 训练语料Rad-CoT含7,715条样本，其中3,715条为两轮路由轨迹、4,000条为报告式诊断思维链；GRPO阶段在4,715条训练样本上优化300步，每条轨迹最多5次策略路由调用。
奖励把过程项乘在答案正确性之上，使测量一致性和工具成本只用于在答对的轨迹之间做区分。 若不设门控，错误轨迹仍可凭表面合理的过程行为获得奖励，让过程质量补偿诊断错误。 消融显示，工具成本项与证据一致性项各自单独使用都优于基线，但两者不加门控合并时反而低于任一单项；同时加门控后在三个基准上都最好。
有效性门控在非标准投照的胸片上带来净收益，而标准后前位片保持不变。 在相同测量后端下，门控把613张非后前位或非典型胸片的准确率从69.17%提升到70.15%，1,887张后前位片维持72.18%。 配对预测变化显示，非后前位或非典型输入上有9例纠正、3例回归，后前位输入上为8例纠正、8例回归，六例净纠正全部来自对有效性敏感的子集。
启示与展望
报告的范围是胸片解读：三个基准上的准确率、训练流程与奖励设计的消融，以及有效性门控在标准与非标准投照上的受控比较。适用读者是关注医学多模态智能体与工具增强推理的研究者。X-Ragent被明确描述为研究原型而非医疗器械，不应用于临床决策。
作者把X-Ragent定位为研究原型，并声明其不应用于临床决策。测量通道只覆盖心胸比、肺野不对称和胸腔移位三项确定性指标，且有效性门控会扣留相当一部分输入：在ChestAgentBench上view_check对24.5%的输入阻止测量执行，经掩膜质量检查后最终扣留31%。在115题的Rad-ReStruct子集上，X-Ragent与基座模型持平于70.4%。