通过多代理对话式大型语言模型增强诊断能力
Xi Chen1,2, Huahui Yi3,4,5, Mingke You1,2
1Sports Medicine Center, Department of Orthopedics and Orthopedic Research Institute, West China Hospital, West China School of Medicine, Sichuan University, Chengdu, Sichuan, China.
NPJ digital medicine
|March 14, 2025
概括
一个新的多代理对话 (MAC) 框架增强了医疗诊断的大型语言模型 (LLM). 这种由临床团队启发的AI方法,在复杂的罕见疾病病例中显著提高了诊断准确性.
科学领域:
- 人工智能在医学中的应用
- 临床决策支持系统 临床决策支持系统
- 自然语言处理自然语言处理.
背景情况:
- 大型语言模型 (LLM) 在医疗保健中显示出潜力,但在复杂的医学推理中扎.
- 当前的LLM应用程序往往缺乏临床实践的协作和代性质.
研究的目的:
- 开发和评估一个多代理对话 (MAC) 框架,以使用LLMs改进疾病诊断.
- 将MAC框架的诊断性能与单个LLM模型和其他先进的AI方法进行比较.
主要方法:
- 设计了一个MAC框架,模拟多学科团队与专门的AI代理商的讨论.
- 该框架在302个罕见疾病病例中使用GPT-3.5和GPT-4作为基准模型进行了评估.
- 性能与基线LLM,思维链 (CoT),自我精炼和自我一致性方法进行了比较.
主要成果:
- 与单个LLM相比,MAC框架在初始和后续咨询中都显示出更高的诊断准确性和测试建议相关性.
- 通过使用GPT-4的四个医生代理和一个监督代理的配置,可以实现最佳性能.
- 在准确性和输出量方面,MAC始终优于其他比较方法,包括CoT,Self-Refine和Self-Consistency.
结论:
- 多代理对话框架显著提高了LLM在医疗保健中的诊断能力.
- 这种方法有效地弥合了理论医学知识和实际临床应用之间的差距.
- 多代理的LLM系统在推进临床决策支持方面具有重大前景,并为实施提供了进一步的研究.
