MedClarify：面向医学诊断、可提出病例特异性追问的信息获取AI智能体

大语言模型（LLM）越来越多地用于医学诊断任务。在临床实践中，正确的诊断很少能仅凭患者的初始表现立即推得。相反，得出诊断往往需要系统的病史采集，临床医生通过迭代问诊在多个可能病症之间推理以消解不确定性。这一过程要求考虑鉴别诊断并主动排除需要立即处置的急症。然而，医学LLM生成有信息量的追问、从而在鉴别诊断上推理的能力仍研究不足。本文提出MedClarify，一个信息获取AI智能体，可生成追问以支持迭代推理，辅助诊断决策。具体而言，MedClarify先计算类似鉴别诊断的候选诊断列表，再主动生成旨在降低诊断不确定性的追问。通过选择期望信息增益最高的问题，MedClarify实现有针对性的、不确定性感知的推理，以改进诊断表现。在实验中，我们首先展示了当前LLM在医学推理上的局限：它们常给出多个可能性相近的诊断，尤其当病例不完整或缺失诊断相关信息时。随后我们表明，信息论推理方法能生成有效追问，使诊断错误相对标准单轮LLM基线减少约27个百分点（p.p.）。总体而言，MedClarify提供了一条通过Agentic信息获取改进医学LLM的路径，从而促进与医学LLM的有效对话，以反映真实临床推理的迭代性与不确定性。