面向临床诊断的IBIS引导的多智能体协作框架——MedCollab
多智能体系统
2026-05-27 v2 人工智能
摘要
大型语言模型（LLM）在临床诊断方面显示出前景，但仍受限于报告生成不可靠、证据 grounding不足以及推理不透明。我们提出MedCollab，一个IBIS引导的多智能体框架，用于全流程临床诊断和诊断报告生成。模仿医院会诊，MedCollab从患者记录中动态招募专科医生和检查智能体。每个诊断假设通过基于问题的信息系统（IBIS）结构化为关联证据的论点，从而提高可追溯性和可审计性。MedCollab进一步构建分层疾病关系链（HDRC），将被接受的假设组织成临床上有意义的疾病路径和合并症关系。验器导向的共识模块审查推理质量、检测矛盾并在多个循环中更新智能体权重。在ClinicalBench和MIMIC-IV上的实验表明，MedCollab在诊断准确性、科室路由、证据一致性和报告质量方面均优于强大的LLM和医学多智能体基线。这些结果表明，结构化论证和疾病关系建模可以提高LLM基于诊断的可靠性、透明性和临床连贯性。
引用
@article{arxiv.2603.01131,
title = {MedCollab: IBIS-Guided Multi-Agent Collaboration with Hierarchical Disease Relation Chains for Clinical Diagnosis},
author = {Yuqi Zhan and Xinyue Wu and Tianyu Lin and Yutong Bao and Xiaoyu Wang and Weihao Cheng and Huangwei Chen and Feiwei Qin and Zhu Zhu},
journal= {arXiv preprint arXiv:2603.01131},
year = {2026}
}