MediHive：面向医疗推理的去中心化智能体集体

摘要

大语言模型（LLM）已革新医疗推理任务，但单智能体系统在需要稳健处理不确定性与冲突证据的复杂跨学科问题上常常表现不佳。基于LLM的多智能体系统（MAS）实现了协作智能，但主流的中心化架构存在可扩展性瓶颈、单点故障以及在资源受限环境中的角色混乱问题。去中心化多智能体系统（D-MAS）通过点对点交互有望增强自主性与韧性，但其在高风险医疗领域的应用仍未被充分探索。我们提出MediHive，一个新颖的去中心化多智能体医疗问答框架，整合共享记忆池与迭代融合机制。MediHive部署基于LLM的智能体，自主分配专门角色、开展初始分析、通过有条件的基于证据的辩论检测分歧，并在多轮中局部融合同伴洞见以达成共识。实验上，MediHive在MedQA与PubMedQA数据集上优于单LLM与中心化基线，分别取得84.3%与78.4%的准确率。本工作推进了面向医疗AI的可扩展、容错D-MAS，解决了中心化设计的关键局限，并在推理密集型任务上展现出更优性能。

MediHive：面向医疗推理的去中心化智能体集体：论文配图 — 图 1：MediHive 框架的去中心化医疗问答工作流程概述，以来自 MedQA 数据集的示例查询进行说明。该过程分为四个关键步骤：（A）通过共享内存池在 LLM 代理之间进行查询初始化和自主角色分配； (B) 专门机构的初步评估，包括带有置信度分数和推理的初步诊断； (C) 分歧检测触发有条件的多轮辩论，随后进行局部见解融合； (D) 通过置信加权投票达成共识，最终形成最终的推理和输出。