图片

这篇题为《“分诊智能体”：迈向更好的基于大语言模型的临床分诊多智能体协作》的文章提出了一种新颖的异构多智能体框架“分诊智能体”，用于改进临床分诊中的协作决策。该框架旨在解决传统人工临床分诊中存在的可变性大、工作量大等问题，并克服直接应用大语言模型（LLM）于临床分诊时面临的挑战，例如临床分诊任务的复杂性和动态性。

 

本文首先指出，急诊科（ED）患者数量的全球性增长对高效的临床管理，特别是临床分诊，提出了重大挑战。传统的依赖专家人工进行临床分诊的方法费时费力，且容易导致人员疲劳，从而降低准确性和效率，增加误诊的风险。虽然大语言模型展现出强大的推理和理解能力，但直接应用于临床分诊仍面临挑战。现有深度学习模型虽然有所帮助，但由于需要大量标注数据且难以实时适应复杂动态的临床场景，其性能往往不足。而单一大语言模型也难以应对紧急情况下的各种复杂情况，例如患者情况的多样性和对多学科协作的需要。因此，多智能体方法是提高性能的必要途径。

 

图片

本文的核心贡献在于提出了“分诊智能体”框架。该框架利用大语言模型进行角色扮演，结合自置信度和提前终止机制来改进多轮讨论中的文档推理和分类精度。它通过检索增强生成（RAG）方法利用医疗“紧急严重程度指数”手册提供精确的临床知识，并在决策过程中整合粗粒度和细粒度的“紧急严重程度指数”级别预测。“分诊智能体”的五个阶段包括：1）文档分配，将患者病历分配给专家智能体；2）基于组的分类分析，智能体被分成两组进行粗粒度和细粒度分类；3）置信度报告总结，生成总结报告；4）协作讨论，智能体根据总结报告进行讨论，迭代改进；5）共识达成，最终得出精确的分类结果。

 

图片

本文详细介绍了“分诊智能体”框架的每个阶段。在文档分配阶段，患者的临床记录被分配给专家智能体，以启动“紧急严重程度指数”讨论。在基于组的文档分类阶段，智能体被分成两组，分别采用直接细粒度分类和粗到细粒度分类两种策略。直接细粒度分类由单个智能体直接分配“紧急严重程度指数”级别；粗到细粒度分类则由两个智能体分别进行粗略分类和精细化分类，以提高效率和精度。置信度报告总结阶段，汇总智能体之前的分类结果、置信度分数、理由和证据，构建总结提示，生成综合报告。协作讨论阶段，智能体根据总结报告进行多轮讨论，迭代改进分类结果。提前终止机制则通过设定条件，在智能体达成一致或置信度足够高时提前终止讨论，以提高效率。最后，在共识达成阶段，智能体整合讨论结果，达成最终共识。

 

图片

为了评估“分诊智能体”的性能，本文构建了一个临床分诊数据集，这是首个公开发布的包含临床记录、“紧急严重程度指数”级别和人类专家性能基准的临床分诊数据集。实验结果表明，“分诊智能体”在三个临床分诊测试集上显著优于现有基于大语言模型的方法，降低了不一致率。

 

本文还对相关工作进行了综述，包括大语言模型在医疗领域的应用和基于大语言模型的多智能体协作。在大语言模型在医疗领域的应用方面，本文提到大语言模型已越来越多地应用于医疗实践，包括文本诊断、基因分析、制药应用和医疗摘要生成等。在基于大语言模型的多智能体协作方面，本文指出，研究重点已从独立的自主智能体转向协作的多智能体系统，通过迭代反馈和团队合作增强大语言模型智能体的能力。

 

图片

总之，这篇文章提出了一种新颖的、基于多智能体协作的临床分诊框架“分诊智能体”，该框架有效地结合了大语言模型的强大能力和医疗领域专家的知识，显著提高了临床分诊的准确性和效率。同时，本文还公开发布了第一个新的临床分诊数据集和代码，为该领域的研究提供了宝贵的资源。“分诊智能体”框架的创新之处在于其多智能体协作机制，以及自置信度和提前终止机制的引入，这些都使得该框架在处理复杂临床分诊任务时具有显著优势。这项工作对推动临床分诊的自动化和智能化具有重要意义。未来研究可以进一步探索如何改进该框架，例如优化智能体间的沟通机制，以及更好地处理不确定性和噪声数据。