一个面板不适用于所有情况：面向临床预测的案例自适应多智能体审议
人工智能
2026-04-02 v1 计算与语言
多智能体系统
摘要
应用于临床预测的大语言模型(LLM)表现出案例级别的异质性：简单案例产生一致的输出，而复杂案例在微小提示变化下产生发散的预测。现有的单智能体策略从单一角色条件分布中采样，而多智能体框架使用固定角色和平面多数投票，丢弃了分歧中的诊断信号。我们提出了CAMP（案例自适应多智能体面板），其中主治医生智能体根据每个案例的诊断不确定性动态组装一个专科医生面板。每个专科医生通过三值投票（保留/拒绝/中立）评估候选方案，使其能够在自身专业范围之外进行有原则的弃权。一个混合路由器将每个诊断引导至强共识、回退至主治医生的判断，或基于证据的仲裁，后者权衡论证质量而非投票数量。在来自MIMIC-IV的四个LLM后端的诊断预测和简短住院过程生成任务上，CAMP持续优于强基线，同时消耗的token少于大多数竞争性多智能体方法，投票记录和仲裁轨迹提供了透明的决策审计。
引用
@article{arxiv.2604.00085,
title = {One Panel Does Not Fit All: Case-Adaptive Multi-Agent Deliberation for Clinical Prediction},
author = {Yuxing Lu and Yushuhong Lin and Jason Zhang},
journal= {arXiv preprint arXiv:2604.00085},
year = {2026}
}