用于复杂临床诊断决策支持的结构化辩论混合代理框架

大语言模型（LLM）显示出医疗任务的潜力，但其单轮问答格式并不能反映临床诊断在实践中是如何进行的。因此，它们在复杂的诊断环境中仍然受到限制。我们开发了 Debate-Mixture-of-Agents (DMoA)，这是一种新颖的多智能体框架，可构建基于角色的交互以支持迭代诊断推理。对 297 例罕见疾病病例和 1,719 例疑难病例进行了基础模型和 DMoA 评估。在这两个数据集中，与 GPT-4o 基线相比，DMoA 将最有可能的诊断准确性提高了 10.21 个百分点，将安全率提高了 11.36 个百分点。消融实验表明，收益不仅仅归因于使用更多模型或更长的输出，还反映了结构化工作流程的贡献。进一步的分析检查了框架设计、基本模型选择和 词元预算 如何影响性能。 DMoA 具有更好的 4*2 结构、更强的基础模型和更大的 词元预算。这些发现证明了 DMoA 在临床任务中的潜力，并建议进一步研究多智能体框架。