MedExAgent：训练 LLM 代理在噪声临床环境中提问、检查与诊断
计算与语言
2026-05-11 v1 人工智能
摘要
现实世界的临床诊断是一个复杂过程，医生需要通过与患者交互和进行医学检查来获取信息此外，医生需要适应不同的患者人格，以及在整个过程中可能出现的噪声和不完整信息。然而，现有的医学 LLM 基准和自动诊断方法大多简化了这一过程，将其简化为单轮问答、噪声自由对话或顺序检查制作等，忽略了临床诊断的交互性和不确定性。本文旨在通过将临床诊断形式化为部分可观测马尔可夫决策过程（POMDP），并引入三种操作类型：向患者提问、订购医学检查作为工具调用以及发布诊断来弥合这一差距。我们还引入了由七种患者噪声类型和三种检查噪声类型组成的系统性噪声模型。通过我们提出的环境，我们通过两个阶段的管道训练了一个有效的诊断代理——MedExAgent，首先对结构化自然的合成对话进行监督微调（基于Calgary-Cambridge模型构建），然后应用DAPO来优化一个综合奖励，捕捉诊断准确性、工具调用质量以及检查成本（包括财务成本和患者不适）。通过大量实验和消融研究，我们展示MedExAgent在保持成本效益检查策略的同时实现了相当于更大模型的诊断性能。
关键词
引用
@article{arxiv.2605.07058,
title = {MedExAgent: Training LLM Agents to Ask, Examine, and Diagnose in Noisy Clinical Environments},
author = {Yicheng Gao and Xiaolin Zhou and Yahan Li and Yue Zhao and Ruishan Liu},
journal= {arXiv preprint arXiv:2605.07058},
year = {2026}
}