论文
GraphDx：面向序贯诊断的成本感知知识增强多智能体框架
GraphDx: A Cost-Aware Knowledge-Enhanced Multi-Agent Framework for Sequential Diagnosis
摘要
序贯诊断要求通过迭代式信息收集，在诊断准确率与资源成本之间取得平衡。现有大语言模型（LLM）方法存在关键的知识—推理鸿沟：尽管编码了大量医学知识，却难以在成本约束下系统性地推理，往往诉诸过度检查。我们提出GraphDx，一个具有两项核心创新的知识增强框架。第一，我们设计了一条自动化流水线，利用LLM构建具有量化典型性、以动作为中心的拓扑结构、以及兼顾诊断相关性与成本敏感性双目标属性的医学诊断知识图谱（MDKG）。第二，我们引入三个协作智能体（感知、推理与决策）：感知与决策智能体负责语言理解与生成，推理智能体则在MDKG上执行确定性的证据打分与成本感知规划。在MedQA与MIMIC-IV上、跨三个LLM底座（DeepSeek-V3、Kimi-k2、Llama-3.3）的实验显示，GraphDx将诊断成功率从50–68%提升到79–93%，同时把检查成本降低20–54%，为自动化临床诊断提供了稳健、经济且可解释的方案。
