精选今天0 投票
GraphDx：面向序贯诊断的成本感知知识增强多智能体框架
概述
在临床诊断中，医生往往需要逐步收集信息，在诊断准确性与资源成本之间取得平衡。现有的大语言模型（LLM）方法尽管编码了丰富的医学知识，但在成本约束下难以系统推理，容易导致过度检查。针对这一问题，来自多个机构的研究团队提出了 GraphDx——一种知识增强的多智能体框架，旨在实现低成本、高准确率的序贯诊断。
核心创新
GraphDx 包含两大创新：
自动化医学诊断知识图谱（MDKG）构建
- 利用 LLM 自动构建知识图谱，包含量化典型性、以行动为中心的拓扑结构以及双重目标属性（兼顾诊断相关性与成本敏感性）。
- 图谱中的节点代表症状、疾病与检查，边则关联诊断逻辑与成本信息。
三智能体协作机制
- 感知智能体：负责自然语言理解，从患者描述中提取关键症状。
- 推理智能体：在 MDKG 上执行确定性证据评分与成本感知规划，是系统的“决策大脑”。
- 决策智能体：生成最终诊断建议与下一步检查方案。
这种分工设计让 LLM 专注于语言理解与生成，而推理与成本优化则交由结构化知识图谱完成，从而弥补了纯 LLM 方法的推理短板。
实验结果
研究者在 MedQA 和 MIMIC-IV 两个基准数据集上进行了测试，并使用了三种不同的 LLM 基座（DeepSeek-V3、Kimi-k2、Llama-3.3）。结果显示：
- 诊断成功率：从基线方法的 50%–68% 提升至 79%–93%。
- 测试成本：相比纯 LLM 方法，降低了 20%–54%。
这表明 GraphDx 在显著提高诊断准确率的同时，大幅减少了不必要的检查，实现了经济高效的自动化临床诊断。
行业意义
GraphDx 的提出反映了 AI 在医疗领域的一个关键转向：从“知识存储”到“知识推理”。LLM 虽然掌握了海量医学知识，但在实际临床场景中，缺乏成本意识和推理结构。GraphDx 通过知识图谱与多智能体协作，将成本约束显式纳入决策过程，为可解释、可负担的 AI 辅助诊断提供了新范式。
未来，该框架有望整合更多模态数据（如影像、实验室检查），并在真实临床环境中进一步验证其鲁棒性与实用性。