图片

本文提出了一种名为“AKI协同诊断系统”的多智能体系统，用于预测急性肾损伤（AKI）的发生。该系统通过引入结构跟随多智能体框架，自动学习全局模型并将其作为先验信念融入智能体中，从而优化健康评估和决策制定。实验结果表明，相比基线模型，“AKI协同诊断系统”在提前48小时预测急性肾损伤方面表现出更高的平均精度，验证了全局结构在提升分类和诊断推理性能中的必要性。

在临床环境中，医生通过团队合作和跨学科交流来优化健康评估和决策制定。这种共识驱动的推理过程结合了不同专家的知识，形成了对患者更全面的视角。然而，由于资源限制、沟通障碍和时间敏感性，这种协作方式在实际应用中面临诸多挑战。本文提出的“AKI协同诊断系统”旨在通过多智能体技术模拟这种协作过程，特别是在预测急性肾损伤方面，以提高诊断准确性和及时性。

图片

“AKI协同诊断系统”架构
“AKI协同诊断系统”基于结构跟随多智能体框架，该框架灵感来源于临床专家小组的合作模式，旨在实现“按需”的专家知识共享。系统包含多个智能体，每个智能体具有不同的视角和专业知识，通过迭代交互更新信念，最终达成共识。系统设计遵循公民中心原则，确保对健康系统和临床医生的价值，并提供可解释的输出。

●数据集与表示

“AKI协同诊断系统”使用MIMIC-III数据库中的急性肾损伤数据集进行开发和验证。数据集包含临床实验室值，并被随机分为训练集（70%）、验证集（15%）和测试集（15%）。系统采用知识三元组（特征名、是、值）的形式将表格数据标准化，便于智能体处理。

图片

●结构学习

为了学习数据中的全局结构，系统采用“夏普利可加性解释”（SHAP）方法解释特征重要性，并将前10个重要特征纳入结构模板。这种方法不仅捕捉了特征值的方向性，还揭示了特征之间的交互作用。

●预训练语言模型与微调

系统选择了三种开源的大语言模型，并通过量化低秩适应技术进行微调，以适应急性肾损伤预测任务。设计了两种路径：结构跟随和半结构跟随，后者结合了检索增强生成技术，允许智能体从训练集中检索相似病例进行比较。

●智能体协调与评估

系统设计了类似临床查房的智能体协调机制，通过多轮迭代实现知识蒸馏，即较弱智能体从较强智能体中学习，同时强化较强智能体的信念。评估指标包括混淆矩阵指标（如平均精度、运行曲线下面积）和语义相似度指标，并引入了平衡分类与推理分数来综合评估诊断性能和推理一致性。

图片

结果

●诊断性能

实验结果显示，结构跟随智能体在平均精度指标上显著优于基线模型，特别是在提前48小时预测急性肾损伤方面。通过多轮迭代，智能体的召回率和平均精度值均有所提升，表明知识蒸馏和信念强化的有效性。

●智能体信心水平

初始轮次中，表现较差的智能体对真阳性和假阴性病例表现出高信心，但随后通过与其他智能体的交互降低了这种信心，表明其诊断能力得到了修正。相反，表现较好的智能体在交互后信心增强，进一步验证了结构跟随方法的有效性。

●诊断推理一致性

语义相似度分析表明，结构跟随智能体在真阳性和假阴性病例上的诊断推理一致性在多轮迭代后显著提高。特别是结合检索增强生成技术的智能体，在保持高召回率的同时，进一步提升了诊断推理的一致性。

图片

讨论

本文强调了全局结构在基于大语言模型的智能体系统中的重要性。实验结果表明，仅通过预训练、微调或检索增强生成技术，无法替代通过传统机器学习或统计方法学习的全局结构。结构跟随方法不仅提升了分类性能，还增强了诊断推理的一致性和可解释性。

结论

“AKI协同诊断系统”通过引入结构跟随的多智能体框架，成功提升了急性肾损伤预测的准确性和及时性。实验结果表明，全局结构的学习和利用对于实现竞争性的分类和诊断推理性能至关重要。未来工作将探索实施多板块（即多利益相关方）和动态资源分配，以进一步提升系统的实用性和效率。

如需要《AKI协同诊断系统: 用于预测急性肾损伤的结构跟随多智能体系统》（英文，共20页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后，发来email地址索取。

图片


图片


图片


★ 每日鲜鸡汤  ★

You are the greatest project you'll ever work on. Restart. Reset. Refocus. As many times as you need. Just don't give up. 你，是自己人生中最了不起的杰作。无妨重新开始，重置方向，再度聚焦。无论历经多少次，都别轻言放弃。早上好！


图片