EMR：通过经验挖掘和重用实现自我进化的医疗多智能体系统

摘要

大语言模型（LLM）驱动的多智能体系统在复杂的临床推理中表现出了希望，但现有的方法依赖于静态策略并且缺乏持久的临床记忆，阻碍了从先前的诊断成功和失败中进行自我进化。我们推出 EMR，这是一种通过经验挖掘和重用实现自我进化的医疗多智能体系统。 EMR引入了分层的临床经验库，将积累的知识分为三个层次：临床原理、诊断模式和代表性病例。在推理过程中，EMR 模拟多学科咨询：规划代理协调特定领域的部门代理进行专门推理，而摘要代理将他们的分析综合为最终决策。至关重要的是，EMR 自动从多智能体推理轨迹中提取正确的诊断见解和与故障相关的警告，逐步更新经验库以指导未来的案例。医学推理基准实验表明，EMR 始终优于最先进的医学多智能体基准。进一步的分析表明，层次化的经验能够实现跨专业的泛化和跨不同 LLM 主干的转移，提供可扩展的、内部的