沙丘社区
论文

RE-MCDF：面向知识依据对齐的临床诊断的闭环多专家 LLM 推理

RE-MCDF: Closed-Loop Multi-Expert LLM Reasoning for Knowledge-Grounded Clinical Diagnosis

Shaowei Shen, Xiaohong Yang, Jie Yang, Lianfen Huang, Yongcai Zhang, Yang Zou, Seyyedali Hosseinalipour
模型推理推理验证与自校正

摘要

电子病历（EMR），尤其是神经病学领域的，本质上是异构、稀疏且含噪的，这给大语言模型（LLM）的临床诊断带来重大挑战。在这种环境下，单智能体系统容易出现自我强化的错误，因为其预测缺乏独立验证，可能漂移向虚假结论。尽管近来的多智能体框架试图通过协作推理缓解该问题，但其交互往往浅层且结构松散，未能体现临床专家使用的严格、证据驱动的过程。更根本的是，现有方法大多忽视疾病之间丰富的逻辑依赖，如互斥性、病理相容性与诊断混淆。这一局限使其即使在证据充分时也无法排除临床上不合理的假设。为克服这些问题，我们提出 RE-MCDF，一个关系增强的多专家临床诊断框架。RE-MCDF 引入生成—验证—修正的闭环架构，整合三个互补组件：(i) 生成候选诊断与支持证据的主诊专家；(ii) 动态排列异构临床指标优先级的检验专家；(iii) 显式执行疾病间逻辑约束的多关系感知与评估专家组。在医学知识图谱（MKG）引导下，前两位专家自适应重加权 EMR 证据，专家组验证并修正候选诊断以确保逻辑一致性。在 CMEMR 神经病学子集（NEEMRs）与我们构建的数据集（XMEMRs）上的大量实验表明，RE-MCDF 在复杂诊断场景中持续优于最先进基线（https://github.com/shenshaowei/RE-MCDF）。

RE-MCDF：面向知识接地的临床诊断的闭环多专家 LLM 推理
图1：RE-MCDF 架构。由一个从 EMR 生成初始诊断-证据对的主专家（primary expert）和一个对异构临床指标（例如异常化验结果）进行动态加权的化验室专家（laboratory expert）组成。随后使用 MKG 扩大候选覆盖范围，并为四个协作专家提供结构化关系路径：单病种评估、疾病逻辑整合、混淆检测与逻辑调整。这些专家共同通过关系感知评分保证逻辑一致性，并在检测到冲突时（例如置信度相近的互斥疾病）触发闭环反馈，实现可追溯且临床上合理的诊断推理。