DocCHA：迈向大语言模型增强的交互式在线诊断系统
计算与语言
2025-07-11 v1
摘要
尽管大语言模型（LLM）能力令人印象深刻，但现有的对话式健康代理（CHA）仍然是静态和脆弱的，无法进行自适应多轮推理、症状澄清或透明决策。这阻碍了它们在临床诊断中的实际应用，而临床诊断需要迭代和结构化的对话。我们提出DocCHA，一个置信度感知的模块化框架，通过将诊断过程分解为三个阶段来模拟临床推理：（1）症状引出，（2）病史采集，和（3）因果图构建。每个模块使用可解释的置信度分数来指导自适应提问，优先考虑信息量大的澄清，并细化薄弱的推理环节。在两个真实世界的中文咨询数据集（IMCS21，DX）上评估，DocCHA始终优于基于强提示的LLM基线（GPT-3.5，GPT-4o，LLaMA-3），诊断准确率提升高达5.18%，症状召回率提升超过30%，而对话轮次仅略有增加。这些结果证明了DocCHA在实现结构化、透明和高效的诊断对话方面的有效性——为在多语言和资源受限环境中构建可信赖的LLM驱动的临床助手铺平了道路。
引用
@article{arxiv.2507.07870,
title = {DocCHA: Towards LLM-Augmented Interactive Online diagnosis System},
author = {Xinyi Liu and Dachun Sun and Yi R. Fung and Dilek Hakkani-Tür and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:2507.07870},
year = {2025}
}