自学习诊断代理推理与双记忆联合优化

临床专业知识的提高不仅通过获取医学知识，而且通过积累经验来产生可重复使用的诊断模式。最近基于 LLM 的诊断剂在决策支持的临床推理方面显示出有希望的进展。然而，大多数方法独立地处理案例，限制了经验的重用和持续的适应。我们提出了 SEA，一种具有认知启发双记忆模块的自学习诊断代理。我们设计了一个针对我们设计的代理量身定制的强化训练框架，用于联合优化推理和内存管理。我们在两种互补的环境中评估战略环境评估。在 MedCaseReasoning 数据集的标准评估中，SEA 达到了 92.46% 的准确率，比最强基线高出 +19.6%，展示了联合优化推理和记忆的好处。在 ER-Reason 数据集的长期范围内，SEA 获得了最好的最终精度 (0.7214) 和最大的改进 (+0.35 Acc@100)，而基线方法显示出有限或不稳定的增益。专家评估进一步表明，SEA整合的规则具有很强的临床正确性、有用性和可信度，表明双记忆模块中归纳的规则是可靠的且具有实际意义。总体而言，SEA 通过有效地将经验转化为可重用的知识，提高了诊断推理能力和持续学习能力。