KERAP:一种基于多智能体大语言模型的知识增强推理方法,用于精确的零样本诊断预测
人工智能
2025-07-08 v2 机器学习
多智能体系统
摘要
医学诊断预测在疾病检测与个性化医疗中起着关键作用。尽管机器学习(ML)模型已广泛用于该任务,但其对监督训练的依赖限制了其对未见病例的泛化能力,尤其在标注数据获取成本高昂的情况下。大语言模型(LLMs)已展现出利用语言能力与生物医学知识进行诊断预测的潜力。然而,它们常常存在幻觉、缺乏结构化医学推理以及产生无用输出等问题。为应对这些挑战,我们提出 KERAP,一种知识图谱(KG)增强的推理方法,通过多智能体架构改进基于 LLM 的诊断预测。该框架包含一个用于属性映射的链接智能体、一个用于结构化知识抽取的检索智能体,以及一个迭代优化诊断预测的预测智能体。实验结果表明,KERAP 能够高效提升诊断可靠性,为零样本医学诊断预测提供一种可扩展且可解释的解决方案。
引用
@article{arxiv.2507.02773,
title = {KERAP: A Knowledge-Enhanced Reasoning Approach for Accurate Zero-shot Diagnosis Prediction Using Multi-agent LLMs},
author = {Yuzhang Xie and Hejie Cui and Ziyang Zhang and Jiaying Lu and Kai Shu and Fadi Nahab and Xiao Hu and Carl Yang},
journal= {arXiv preprint arXiv:2507.02773},
year = {2025}
}