由经验支撑：基于分层智能体检索的生成式医疗预测
人工智能
2025-11-18 v1
摘要
准确的医疗预测对于改善患者预后和减少运营成本至关重要。受推理能力不断提升的启发，大型语言模型 (LLM) 提供了通过利用其丰富的参数知识来增强医疗预测的有前景的道路。然而，LLM 容易因其嵌入知识的可靠性和覆盖范围受限而产生事实性错误。虽然已提出诸如 GraphRAG 及其变体等检索增强生成 (RAG) 框架以整合外部知识来缓解这些问题，但在医疗场景中面临两个关键挑战：(1) 识别临床必要性以激活检索机制，(2) 实现检索器与生成器之间的协同，以制造情境上恰当的检索。为此，我们提出 GHAR，即 \underline{g}enerative \underline{h}ierarchical \underline{a}gentic \underline{R}AG 框架，同时解决何时检索以及如何优化子模块在医疗领域的协作。具体而言，针对第一个挑战，我们设计了双智能体架构，包括 Agent-Top 和 Agent-Low。Agent-Top 充当首要医生，不断决定是依赖参数知识还是发起检索，而 Agent-Low 充当咨询服务，在检索被激活后总结所有任务相关的知识。为解决第二个挑战，我们创新性地将两个智能体的优化统一纳入正式的马尔可夫决策过程 (MDP) 中，设计多样化的奖励以对齐其共同目标——准确预测——同时保持其独特角色。广泛的在三个基准数据集上进行的实验表明，我们的方法在多个任务上均优于最先进的基线方法，凸显了分层智能体 RAG 在推动医疗系统发展中的潜力。
引用
@article{arxiv.2511.13293,
title = {Grounded by Experience: Generative Healthcare Prediction Augmented with Hierarchical Agentic Retrieval},
author = {Chuang Zhao and Hui Tang and Hongke Zhao and Xiaofang Zhou and Xiaomeng Li},
journal= {arXiv preprint arXiv:2511.13293},
year = {2025}
}