Reflexión jerárquica de agentes para alinear el razonamiento de LLM con los procesos de diagnóstico clínico

Área de la Ciencia:

• Inteligencia artificial en medicina
• Sistemas de apoyo a la decisión clínica
• Procesamiento del lenguaje natural

Sus antecedentes:

• Los modelos de diagnóstico tradicionales carecen de transparencia y no logran replicar el razonamiento del clínico.
• Interpretar y justificar los resultados del diagnóstico de IA sigue siendo un desafío importante.

Objetivo del estudio:

• Desarrollar un método para generar notas clínicas que capturen el razonamiento diagnóstico.
• Entrenar modelos de lenguaje grandes (LLM) para imitar los procesos de diagnóstico paso a paso humanos.
• Mejorar la transparencia y la interpretabilidad del diagnóstico médico asistido por IA.

Principales métodos:

• Se introdujo un mecanismo de reflexión de agentes jerárquicos para generar notas clínicas detalladas.
• Estas notas deconstruyen el proceso de diagnóstico en etapas manejadas por agentes especializados.
• Se entrenaron LLM con estas notas que imitan a los clínicos.

Principales resultados:

• Los modelos entrenados con el método propuesto superaron a los LLM generales y específicos del dominio en tareas de diagnóstico.
• El enfoque alineó con éxito el razonamiento de la IA con la práctica clínica humana.
• Las notas clínicas generadas mejoraron la precisión y la fiabilidad.

Conclusiones:

• El novedoso método mejora la transparencia y la interpretabilidad diagnóstica en IA.
• Este enfoque ofrece una herramienta valiosa para la toma de decisiones clínicas asistida por IA.
• Imitar el razonamiento del clínico mejora el rendimiento y la confiabilidad diagnóstica de la IA.