基于专长的多 LLM 招募与协作用于医学决策
人工智能
2025-08-20 v1
摘要
医学决策（MDM）是一个需要 substantial 领域特定专长才能有效综合异构且复杂临床信息的复杂过程。虽然最近的大型语言模型（LLM）在支持 MDM 方面显示出前景，但单一 LLM 方法受限于其参数知识约束和静态训练语料，无法稳健地整合临床信息。为此，我们提出了一种基于专长的多 LLM 招募与协作（EMRC）框架，以提高 MDM 系统的准确性和可靠性。该框架在两个阶段运行：（i）基于专长的智能体招募（ii）基于置信度和对抗性的多智能体协作。具体而言，在第一个阶段，我们使用公开的语料库构建 LLM 专长表格，以捕捉多个 LLM 在医学科室类别和查询难度水平上的专长优势。该表格使后续能够动态选择最优 LLM 作为每个医学查询的医学专家智能体。在第二个阶段，我们使用所选智能体生成带自评置信度分数的响应，并通过置信度融合和对抗性验证进行整合，以提高诊断可靠性。我们在三个公开的 MDM 数据集上对 EMRC 框架进行了评估，结果表明我们的 EMRC 在诊断性能上优于最先进的单一和多 LLM 方法。例如，在 MMLU-Pro-Health 数据集上，我们的 EMRC 达到了 74.45% 的准确率，比最佳闭源模型 GPT-4-0613 高出 2.69%，这表明我们的基于专长的智能体招募策略以及在充分利用每个 LLM 专用能力方面的智能体互补性效果显著。
引用
@article{arxiv.2508.13754,
title = {Expertise-aware Multi-LLM Recruitment and Collaboration for Medical Decision-Making},
author = {Liuxin Bao and Zhihao Peng and Xiaofei Zhou and Runmin Cong and Jiyong Zhang and Yixuan Yuan},
journal= {arXiv preprint arXiv:2508.13754},
year = {2025}
}
备注
14 pages