CDEG：为长程诊断智能体学习决策关键证据

与静态的医疗问答不同，长程诊断捕捉了临床实践的序列性：证据在多轮交互中被逐步获取、整合与评估，然后才得出最终诊断。然而，现有医生智能体往往在关键证据未被获取或未被充分纳入诊断推理时失败。近期的智能体方法试图通过复用历史轨迹或蒸馏记忆来解决这些失败。但其诊断收益仍然受限，因为这类经验可能包含噪声或偶然信息，并且在复用时通常不验证哪些证据真正驱动了诊断决策。为解决这一局限，我们提出CDEG，一个从历史诊断轨迹中学习可复用决策关键证据的图框架。CDEG对比同一病例的成功与失败轨迹以识别候选证据，通过受控反事实干预验证其诊断影响，并将由此得到的诊断-证据-行动关系组织成结构化图。在推理时，CDEG跟踪不断演变的患者证据状态，检索相关诊断关系，并有选择地引导缺失证据的获取或被忽视证据的重新审视。在覆盖多个医生智能体骨干的域内与分布外基准上，CDEG持续提升诊断表现，相较原始智能体最多获得11.5%的准确率增益。这些结果表明，可靠的长程诊断需要超越轨迹级的经验复用，转向对真正塑造临床决策的因素进行证据级学习。