PrivMeSA：通过本地-远程大语言模型协作实现隐私意识自我进化多Agent医学系统

本地部署的临床大语言模型（LLM）Agent可以咨询功能更强大的远程模型，但这样做有暴露患者信息的风险。注重隐私的授权将披露决定交给当地Agent，但删除显式标识符是不够的：准标识符可以通过多轮咨询和重复的患者就诊来积累，以实现重新识别。我们推出 PrivMeSA，这是一种具有隐私意识的自我进化多Agent系统，可以学习控制披露并保留远程专业知识以供本地重用。本地Agent负责管理每次遇到的情况，并咨询可能需要更多信息的远程专家。强化学习平衡了任务准确性与直接披露和基于注册表的重新识别风险，并根据每次遭遇的完整出站记录评估隐私。本地课程记忆将完成的咨询提炼成通用的临床指导，并在传输之前检索相关课程，从而允许后续病例重复使用专业知识，而无需再次进行远程交换。内存增长无需额外的结果标签或参数更新。根据根据 MIMIC-IV-ED 记录构建的急诊部门基准，PrivMeSA 相对于委派，平均任务准确性提高了 15.8 个百分点。在相同的环境下，PrivMeSA 将个人详细信息的披露案例从 98.0% 减少到 0.2%，将患者可缩小到 10 名或更少登记患者的案例比例从 74% 减少到 0%。