图片

本文介绍了一种用于医疗决策的、名为“医疗决策多智能体”的新型多智能体框架。该框架旨在通过自适应地构建大型语言模型（LLMs）之间的合作结构，来提高医疗决策制定的效率和准确性。该框架受现实世界中医疗决策过程的启发，能够根据任务的复杂性自动分配单个或团队合作结构，以适应不同的医疗任务。

 

现代医疗决策是一个复杂而细致的过程，临床医生需要综合多种信息源，如影像学、电子病历、生理信号和遗传信息，并迅速将最新的医学研究成果融入临床实践，从而做出精确的诊断和治疗决策。大语言模型在处理和综合大量医学文献和临床信息方面展现出了巨大的潜力，然而如何将大语言模型有效应用于复杂的医学任务仍是一个悬而未决的问题。

 

图片

本文所提出的这一框架的核心思想是根据医疗问题的复杂程度自适应地调整大语言模型的协作结构。它将医疗问题分为低、中、高三种复杂程度，并相应地选择不同的协作策略：
●低复杂度：由单个全科医生（PCP）智能体处理，采用链式思维（CoT）和自洽性等技术。这种策略简单高效，适用于常见病症或病情稳定的慢性病。

 

●中复杂度：由“多学科团队（MDT）”处理，多个大语言模型智能体进行迭代讨论，最终达成共识。该团队由招聘者智能体根据复杂度评估结果组建，成员包含不同专科的专家，以确保全面的评估和决策。如果“团队成员”意见不一致，则由主持协调人智能体进行干预和协调，最终形成共识。

 

●高复杂度：由“整合医疗团队（ICT）”处理，采用分阶段协作的方式，每个阶段由专门的团队负责，最终生成综合报告。这种策略适用于复杂病例，需要多科室和多专家的协作。“整合医疗团队”的流程包括初始评估团队、多个诊断团队以及最终审查与决策团队，每个团队的报告都为后续团队提供信息支持，确保决策的准确性和全面性。

 

图片

该框架的四个主要步骤是：

 

1、医疗复杂性检查：主持协调人智能体评估医疗问题的复杂程度，将其分类为低、中、高三种复杂度。这一步骤的依据是现有的临床决策技术和医疗实践经验，例如疾病严重程度、并发症数量以及病例管理复杂性等。

 

2、专家招聘：招聘者智能体根据复杂性检查的结果，选择合适的智能体（单个PCP或MDT/ICT）来处理问题。招聘过程考虑了不同智能体的专业领域和经验，以确保团队成员的专业性与问题的复杂度相匹配。

 

3、分析与综合：根据复杂度，采用不同的分析与综合方法。低复杂度问题直接使用PCP智能体的输出结果；中复杂度问题则整合MDT成员之间的对话历史；高复杂度问题则综合ICT各个团队生成的详细报告。

 

4、最终决策：决策者智能体综合分析与综合步骤的输出结果，得出最终的医疗决策。该步骤可能采用集成技术，以确保决策的稳健性和一致性。

 

图片

本文对“医疗决策多智能体”框架进行了全面的评估，使用了多个最先进的大语言模型和一系列真实的医疗知识和医疗诊断基准。结果表明，“医疗决策多智能体”在需要理解医疗知识和多模态推理的任务中，在七个基准测试中取得了最佳性能，与现有方法相比，其准确率提高了高达6.5%（p < 0.05）。消融实验表明，“医疗决策多智能体”能够有效地确定医疗复杂性，从而优化不同医疗任务的效率和准确性。尤其值得注意的是，在团队协作中结合主持协调人审查和外部医疗知识，平均准确率提高了11.8%。
与现有方法相比，“医疗决策多智能体”的主要优势在于其自适应性。现有的多智能体方法通常采用预先确定的智能体数量和交互设置，而“医疗决策多智能体”根据问题的复杂性动态地调整协作策略，从而提高了效率和准确性。本文还比较了“医疗决策多智能体”与其它几种现有方法，包括单智能体方法和静态多智能体方法，结果显示“医疗决策多智能体”在多个基准测试中取得了显著的性能提升。

 

图片

总之，“医疗决策多智能体”提供了一个新颖且有效的框架，用于利用大语言模型进行医疗决策。其自适应协作策略、多阶段决策流程以及对医疗复杂性的有效处理，使其在提高医疗决策的准确性和效率方面具有显著的潜力。该研究为未来利用大语言模型辅助医疗决策提供了重要的参考和借鉴。本文公开的代码也方便了其他研究人员进行进一步的研究和改进。