MedPrune同时剪枝专科智能体与其连接
MedPrune是一个医疗多模态多智能体协作框架，会从通信拓扑中动态剪枝节点和连边。论文把诊断过程形式化为异质通信图：节点是来自不同科室的专科智能体，连边刻画科室内部与科室之间的交互。
驱动这一过程的是两种稀疏化机制。异质节点稀疏化通过强化学习驱动的拓扑优化，剔除与当前多模态问题无关的专科智能体。异质边稀疏化随后通过联合优化任务性能与拓扑复杂度，只保留诊断上最显著的科室内部与科室之间连接。这一两阶段设计的目标是以大幅降低的token成本达到高诊断性能。
冗余拓扑在给出答案前就消耗token
论文把问题放在现有受临床工作流启发的多智能体框架上，称这些框架受困于冗余通信拓扑带来的交互模式与过高计算开销。按作者的说法，现有实现往往依赖静态、预定义的交互工作流，这种僵化无法捕捉真实临床会诊的动态、随病例自适应的特性，而随着智能体和讨论轮次增加，token消耗会迅速上升。
论文自己的对比图区分了三种行为。固定模板演化依赖静态、预定义的通信模板，会因嘈杂的冗余讨论而降低诊断性能。自适应演化也能在最终阶段得到更小的通信子图，但其迭代式拓扑精炼仍带来可观的token开销。MedPrune则同时剪枝无关智能体和冗余连边，作者将其描述为以更少轮次实现token高效的多科室诊断推理。
节点剪枝去掉问题不需要的科室
论文认为，现有多智能体医疗系统通常与所有科室智能体通信，迫使模型把计算资源分配给临床上无关的专科。异质节点稀疏化通过学习任务自适应的科室间通信图来解决这一问题。
在机制上，异质图用可学习的软邻接矩阵参数化，并以任务性能作为奖励信号，通过强化学习优化这些矩阵。随后剪掉加权度最小的节点及其关联连边。论文陈述的效果是动态组建一个紧凑的相关专科团队，并从第一轮起就消除token开销。论文的示例展示了一个胸部X光胸腔积液问题，其中非放射科和非呼吸科智能体回复该问题与自己无关。
边剪枝只保留诊断上显著的连接
论文指出，即使无关智能体已被剪掉，冗余通信连边仍可能存在，浪费token并在科室之间传播幻觉。因此，异质边稀疏化会在节点稀疏化后的子图上重新初始化边权重，并在一个复合目标下联合优化：最大化任务性能，同时惩罚拓扑复杂度。
这一过程剪掉低效用连边，只保留最显著的科室内部与科室之间连接，使每条保留的连边都贡献高诊断效用。论文把节点剪枝与边剪枝的组合描述为两阶段稀疏化，从根本上解决多智能体医疗推理中的效率瓶颈。
准确率提升3.65%，token效率提升37.86%
MedPrune在三个医疗VQA基准上评估：MIMIC-CXR、IU-Xray和OmniMedVQA，覆盖全量集与少样本训练设定。论文报告该方法在免训练、训练密集型和医疗多智能体系统中持续优于强基线。
在两种训练设定下，论文报告平均性能提升3.65%、token效率提升37.86%。这两个数字衡量的是不同事物，不应混为一谈：一个是所评估基准上准确率一侧的平均增益，另一个是token使用的相对效率增益。在Qwen3-VL（8B）骨干、20和40个训练样本的少样本表中，MedPrune分别达到平均75.98和75.97，而40样本时MedAgent-Pro为71.74、M3Prune为71.27。论文称这些提升在p < 0.05水平上统计显著。
对抗攻击与提示变体下稳健性仍成立
论文报告MedPrune在对抗攻击设定下平均性能仅下降3.1%，作者以此作为系统稳健性的证据。这是相对于该方法自身未受攻击性能的下降，而不是与基线稳健性的比较。
提示稳健性另行测试。跨提示变体，论文报告性能差异很小，最大偏差低于1.1%，作者称这证实MedPrune学到的拓扑对提示变化稳健且无需重新训练。这些变体包括只保留核心指令的简化提示版本，以及完全互换主任医师与普通医生角色提示的反转版本。
迁移成立，但超过15个智能体的扩展未测试
跨数据集迁移在全量数据训练、共享Qwen3-VL（8B）骨干下评估，分两种情景：在MIMIC-CXR上训练并在未见过的IU-Xray上测试，以及在PMC-OA上训练并在未见过的MIMIC-CXR上测试。论文报告所有方法都因数据集偏移出现中等程度性能下降，但MedPrune持续优于基线，作者据此认为节点-边剪枝策略能泛化到未见数据集。
限制条件界定了这一结论的适用范围。稀疏化框架涉及若干关键超参数，例如节点丢弃率和噪声容忍度，论文称这些取值并未在所有可能的科室构成和成像模态上做穷尽优化；最优剪枝强度可能随问题复杂度和协作专科数量而变化。科室选择目前使用冻结MLLM的相关性评分启发式，而未直接整合进强化学习优化。该框架在3个科室、最多15个智能体时扩展有效，但论文未评估规模大得多的亚专科智能体群体，因此在扩大的组合动作空间下策略梯度优化是否仍可处理尚未得到检验。
本文引用的文献
MedPrune: Topology-Efficient Multimodal Multi-Agent Communication Evolution for Medical VQA Tasks
MedPrune在异质多智能体图中同时剪枝专科节点与通信连边，在三个医疗VQA基准、全量集与少样本训练设定下，报告平均性能提升3.65%、token效率提升37.86%。