यह शोधपत्र रेडियोलॉजी प्रश्नोत्तर (QA) के लिए एक एजेंट-आधारित पुनर्प्राप्ति-संवर्धित पीढ़ी (RAG) ढाँचा प्रस्तावित करता है। पारंपरिक एकल-चरण पुनर्प्राप्ति विधियों की सीमाओं को पार करने के लिए, हमने एक ऐसी प्रणाली का निर्माण किया है जिसमें LLMs रेडियोलॉजी प्रश्नों को स्वचालित रूप से विघटित करते हैं और रेडियोपीडिया से लक्षित नैदानिक साक्ष्यों को पुनरावृत्त रूप से पुनर्प्राप्त करते हैं ताकि गतिशील रूप से साक्ष्य-आधारित प्रतिक्रियाएँ उत्पन्न की जा सकें। हमने RSNA-RadioQA और ExtendedQA डेटासेट से 104 विशेषज्ञ-समीक्षित प्रश्नों पर विभिन्न आर्किटेक्चर, पैरामीटर आकारों (0.5B से 670B से अधिक), और सीखने के प्रतिमानों (सामान्य प्रयोजन, अनुमान अनुकूलन, और नैदानिक फ़ाइन-ट्यूनिंग) वाले 24 LLMs का मूल्यांकन किया। एजेंट पुनर्प्राप्ति ने शून्य-शॉट प्रॉम्प्टिंग और पारंपरिक ऑनलाइन RAG (73% बनाम 64%, P<0.001; 73% बनाम 68%, P<0.001) की तुलना में औसत नैदानिक सटीकता में उल्लेखनीय सुधार किया, विशेष रूप से मध्यम आकार के मॉडलों के लिए। इसके अलावा, हमने चिकित्सकीय रूप से प्रासंगिक संदर्भ प्राप्त करके मतिभ्रम को कम किया और तथ्यात्मक साक्ष्य को बढ़ाया। चिकित्सकीय रूप से परिष्कृत मॉडलों में भी महत्वपूर्ण सुधार देखे गए, जो खोज और परिष्कृतीकरण की पूरक भूमिकाओं का सुझाव देते हैं।
