AD-CARE：一种基于指南、与模态无关的 LLM 代理，用于通过多队列评估、公平性分析和读者研究进行真实阿尔茨海默病诊断

随着人口老龄化，阿尔茨海默病 (AD) 成为日益严重的全球健康挑战，及时、准确的诊断对于减轻个人和社会负担至关重要。然而，现实世界的 AD 评估受到不完整、异构的多模式数据以及不同地点和患者人口统计数据的可变性的阻碍。尽管 大语言模型 (LLM) 在生物医学领域显示出前景，但它们在 AD 中的应用很大程度上仅限于回答狭窄的、特定于疾病的问题，而不是生成支持临床决策的全面诊断报告。在这里，我们通过引入 AD-CARE 来扩展 LLM 的临床决策支持功能，AD-CARE 是一种与模态无关的代理，可以根据不完整的异质输入执行基于指南的诊断评估，而无需估算缺失的模态。通过动态编排专门的诊断工具并将临床指南嵌入到 LLM 驱动的推理中，AD-CARE 生成与现实世界临床工作流程一致的透明报告式输出。在包含 10,303 例病例的 6 个队列中，AD-CARE 实现了 84.9% 的诊断准确性，比基线方法相对提高了 4.2%-13.7%。尽管存在队列水平差异，但特定于数据集的准确度仍然强劲（80.4%-98.8%），并且该代理始终优于所有基线。 AD-CARE 减少了种族和年龄亚组之间的绩效差异，将四个指标的平均离散度分别降低了 21%-68% 和 28%-51%。在一项受控读者研究中，该代理将神经科医生和放射科医生的准确性提高了 6%-11%，并将决策时间缩短了一半以上。该框架比八个主干网 LLM 产生了 2.29%-10.66% 的绝对增益，并收敛了它们的性能。这些结果表明，AD-CARE 是一个可扩展、可实际部署的框架，可以集成到常规临床工作流程中，为 AD 提供多模式决策支持。