自学习诊断智能体中推理与双记忆的联合优化
计算与语言
2026-04-09 v1
摘要
临床专业知识的提升不仅依赖于获取医学知识，还依赖于积累经验以形成可复用的诊断模式。近期基于大语言模型（LLM）的诊断智能体在临床推理以支持决策方面已展现出有前景的进展。然而，大多数方法将病例独立处理，限制了经验复用和持续适应。我们提出SEA——一种具有认知启发式双记忆模块的自学习诊断智能体。我们设计了一个针对该智能体的强化训练框架，用于联合优化推理与记忆管理。我们在两个互补设置中评估SEA。在MedCaseReasoning数据集上的标准评估中，SEA达到92.46%的准确率，超越最强基线+19.6%，展示了联合优化推理与记忆的益处。在长时序的ER-Reason数据集上，SEA获得了最佳最终准确率（0.7214）和最大提升（+0.35 Acc@100），而基线方法仅表现出有限或不稳定的提升。专家评估进一步表明，SEA从双记忆模块中归纳的规则具有很强的临床正确性、实用性和可信度，表明双记忆模块中诱导的规则是可靠且具有实际意义的。总体而言，SEA通过有效地将经验转化为可复用知识，同时提升了诊断推理能力和持续学习。
引用
@article{arxiv.2604.07269,
title = {Joint Optimization of Reasoning and Dual-Memory for Self-Learning Diagnostic Agent},
author = {Bingxuan Li and Simo Du and Yue Guo},
journal= {arXiv preprint arXiv:2604.07269},
year = {2026}
}