MACD：基于自学习知识的LLM多智能体临床诊断
人工智能
2026-03-02 v4
摘要
大型语言模型（LLM）在医学应用中已展现出显著潜力，但它们在使用传统提示方法处理复杂现实世界临床诊断时面临重大挑战。现有的提示工程和多智能体方法通常优化孤立推理，忽视了可复用临床经验的积累。为解决这一问题，本研究提出了一种新型多智能体临床诊断（MACD）框架，使LLM能够通过多智能体流水线自学习临床知识，该流水线总结、提炼并应用诊断洞察。它模仿了医生通过经验发展专长的方式，使诊断更聚焦、更准确地捕捉关键疾病特异性线索。我们进一步将其扩展为MACD-人机协作工作流，其中多个基于LLM的诊断智能体进行迭代咨询，由评估智能体和人工监督支持，在未达成一致意见时介入。在涵盖七种疾病的4390个真实患者病例上，使用多种开源LLM（Llama-3.1 8B/70B、DeepSeek-R1-Distill-Llama 70B）进行评估后，MACD显著提升了主要诊断准确率，超越了已建立的临床指南，最高提升22.3%（MACD）。在与相同评估协议下仅由医生进行的诊断的直接比较中，MACD达到了可比或更优的性能，最高提升16%。此外，MACD-人机工作流相比仅医生诊断提升了18.6%，展示了人机协作的协同潜力。值得注意的是，自学习的临床知识表现出跨模型的强稳定性、LLM间的可迁移性以及模型特定的个性化能力。这项工作因此提出了一种可扩展的自学习范式，弥合了LLM内在知识与临床实践之间的差距。
引用
@article{arxiv.2509.20067,
title = {MACD: Multi-Agent Clinical Diagnosis with Self-Learned Knowledge for LLM},
author = {Wenliang Li and Rui Yan and Xu Zhang and Li Chen and Hongji Zhu and Jing Zhao and Junjun Li and Mengru Li and Wei Cao and Zihang Jiang and Wei Wei and Kun Zhang and Shaohua Kevin Zhou},
journal= {arXiv preprint arXiv:2509.20067},
year = {2026}
}