EviDx：基于脚手架化LLM智能体的证据感知主动诊断

临床诊断是一个主动的证据寻求过程：临床医生获取证据、更新相互竞争的假设，并判断可用证据何时足以支持诊断。然而，许多围绕大语言模型（LLM）构建的医学诊断系统仍将诊断表述为从病例到答案的静态预测，对证据获取的支持有限。Agentic LLM通过工具使用与中间诊断轨迹提供了动态的替代方案，但现有系统往往对患者证据在运行时应如何被暴露、脚手架化与控制规定不足。我们提出EviDx，一个证据感知的主动诊断框架，将患者专属的诊断环境与临床诊断脚手架以及观察者引导的运行时管控相结合。在EviDx中，E-Synthesis从原始临床病例构建交互式环境；脚手架组织角色专门化的智能体、证据工具与不断演化的证据状态；运行时管控通过跟踪不确定性与证据覆盖度来调节诊断终止。一个三级评估金字塔评估执行鲁棒性、推理动态与诊断结果。实验表明，EviDx在提升诊断性能与过程稳定性的同时，揭示了依赖模型的能力边界。