MedARC:适应性多代理精细化和协作,以在大型语言模型中增强医学推理

科学领域:

• 人工智能的人工智能
• 生物医学信息学 生物医学信息学
• 自然语言处理自然语言处理.

背景情况:

• 大型语言模型 (LLM) 在医学问题答案 (QA) 中表现有前途.
• 临床部署受到LLM限制的阻碍,例如幻觉和不一致的推理.
• 处理复杂的生物医学信息仍然是当前LLMs的一个挑战.

研究的目的:

• 引入MedARC (医疗剂精制和协作),这是一个多剂框架,用于增强医疗质量保证.
• 通过结构化的代理人间辩论,解决医疗质量保证中LLM的局限性.
• 提高LLM产生的医学答案的事实一致性,完整性和可靠性.

主要方法:

• MedARC采用多代理框架,在LLM代理人之间进行结构化的辩论.
• 关键机制包括结构化的代理人间总结,以改进协议/分歧.
• 自信意识聚合从可靠的代理贡献中合成最终答案.

主要成果:

• 与零射击和Cot基线相比,MedARC显著提高了医疗质量保证基准的表现.
• 在使用DeepSeek-V3.3的PubMedQA上,精度从72.9%增加到77.2%.
• 人类评估证实了MedARC的增强的事实一致性和完整性.

结论:

• MedARC为基于LLM的医疗QA提供了一个可靠和可扩展的解决方案.
• 该框架有效地解决了临床环境中的LLM限制.
• 开源代码可用于进一步的研究和开发.