2401.16107.md

背景

• 背景
  文章介绍了自动诊断在医疗健康领域中的重要应用，当前的自动诊断系统主要是根据病人提供的症状来生成诊断。而在临床诊断流程中，病人初步由普通医生咨询，如有必要，再由特定领域的专家进行更全面的评估。最终的诊断常常是医学专家组的协作咨询得出的。近期大型语言模型在自然语言理解方面展现了惊人的能力。

• 已有的工作 论文提到以往的研究直接通过模型化规范化的症状与所有可能病症之间的关系来处理自动诊断任务。这些方法通常模型化症状与病症之间的动态关系，但忽略了现实临床设置中的诊断过程，并且没有考虑到隐性症状对诊断的影响。

核心贡献

• 提出了一个基于LLM的多专家智能代理咨询模型（AMSC）

  • 挑战1：如何模拟真实世界中的诊断过程？ 论文提出了一个模仿现实世界中医生咨询流程的框架，将开源大型语言模型当作基础医疗人员，并通过专门化的基于LLM的代理来模拟拥有特定医学知识的专家。这些代理根据不同医学领域的专业知识，生成患病可能性的预测分布，并采用一种自适应概率分布融合方法将代理预测集成，以提供疾病诊断决策的精细化。

  • 挑战2：如何提高自动诊断的效率和实用性？ 论文的方法实现了比现有基准更高的性能，特别是因为只需要在分布融合上训练参数，因此在训练成本方面也更为高效。

实现与部署

实验结果表明，AMSC框架比现有的基线方法具有更高的性能。此外，由于该方法仅在概率分布融合上需要进行参数训练，因此在训练成本上更加高效。研究还对自动诊断中的隐性症状的作用进行了深入分析，探索了不同症状对诊断结果的影响。

总结

本研究提出了一个基于LLM的自动诊断方法——多专家智能代理咨询模型（AMSC），它能更好地模拟现实世界中的诊断流程，并通过集成多个专家代理的预测来提升诊断的准确性和效率。