ClinicalAgents：结合动态诊断编排与双层记忆

虽然 大语言模型 (LLM) 在医疗保健领域展示了潜力，但它们常常难以应对准确临床诊断所需的复杂、非线性推理。现有的方法通常依赖于从症状到诊断的静态线性映射，无法捕捉人类临床医生固有的迭代的、假设驱动的推理。为了弥补这一差距，我们引入了 ClinicalAgents，这是一种新颖的多代理框架，旨在模拟专家临床医生的认知工作流程。与严格的顺序链不同，ClinicalAgents 采用建模为蒙特卡罗树搜索 (MCTS) 过程的动态编排机制。这使得协调器能够迭代地生成假设，主动验证证据，并在缺少关键信息时触发回溯。该框架的基础是双层记忆架构：可变工作记忆可维持不断变化的患者状态以进行情境感知推理，静态经验记忆可通过主动反馈循环检索临床指南和历史病例。大量实验表明，ClinicalAgents 在评估的基线中实现了最佳性能，与强大的单代理和多代理基线相比，显着提高了诊断准确性和可解释性。我们的代码发布于https://github.com/ZhuohanGe/ClinicalAgents-Code。