闭环多专家 LLM 推理：基于知识 grounding 的临床诊断
人工智能
2026-04-30 v3
摘要
电子医学记录（EMRs），尤其是神经病学领域，具有内在的异构性、稀疏性和噪声特性，给大型语言模型（LLMs）在临床诊断带来显著挑战。在此类环境中，单智能体系统易受自强化错误影响，其预测缺乏独立验证，可能偏向虚构结论。虽然近期的多智能体框架试图通过协作推理来缓解此问题，但其交互往往浅薄且结构松散，未能反映临床专家所使用的严谨、以证据为导向的过程。更根本的问题在于，现有方法基本上忽略了疾病之间丰富的逻辑依赖关系，如互斥性、病理相容性和诊断混淆。这一限制阻碍了它们在获得充足证据时排除临床不合理假设。为此，我们提出了 RE-MCDF，一个融合关系增强的多专家临床诊断框架。RE-MCDF 引入一个生成-验证-修订闭环体系结构，集成三个互补组件：（i）主专家生成候选诊断及其支持证据；（ii）实验室专家动态优先排序异构临床指标；（iii）多关系感知与评估专家群体显式强制执行疾病间的逻辑约束。依据医学知识图谱（MKG），前两个专家会自适应地对 EMR 证据进行加权，而专家群体则验证并纠正候选诊断，以确保逻辑一致性。对 NEEMRs（神经病学子集）和我们筛选的数据集（XMEMRs）上的大量实验表明，RE-MCDF 在复杂诊断情景中 consistently 优于最先进的基线方法。
引用
@article{arxiv.2602.01297,
title = {RE-MCDF: Closed-Loop Multi-Expert LLM Reasoning for Knowledge-Grounded Clinical Diagnosis},
author = {Shaowei Shen and Xiaohong Yang and Jie Yang and Lianfen Huang and Yongcai Zhang and Yang Zou and Seyyedali Hosseinalipour},
journal= {arXiv preprint arXiv:2602.01297},
year = {2026}
}
备注
Accepted by International Joint Conference on Neural Networks (IJCNN 2026); 9 pages, 4 figures