基于多智能体强化学习且具备主动问诊能力的真实世界医生智能体
计算与语言
2026-05-01 v4
摘要
大型语言模型（LLMs）在真实世界临床问诊中面临困难。单轮问诊系统要求患者一次性描述所有症状，这通常导致主诉不清和诊断模糊。受限于静态监督学习，传统对话模型仅能表面模仿现有对话模式，缺乏在动态交互中主动构建理解的能力，因此无法实现真正的临床推理。为了应对这些挑战，我们提出了 DoctorAgent-RL，一个基于强化学习（RL）的多智能体协作框架，并使用该框架在 Qwen2.5-7B-Instruct 上训练了一个医生智能体。在该框架内，医疗问诊被建模为不确定性下的动态决策过程。医生智能体的核心智能从“知道答案”转变为学习和掌握旨在实现最佳诊断的提问方法论。通过策略性提问，它引导关键患者信息在多轮对话中逐步显现。为了支持这种对真实诊断过程的高保真模拟，我们构建了 MTMedDialog，一个专为动态交互式训练设计的新型英文多轮医疗问诊数据集。为了验证其真实世界有效性，进行了包括盲法人工评估和真实患者试验在内的严格评估。DoctorAgent-RL 优于前沿模型，并达到了 70% 的精确诊断匹配率，证实了其作为协作工具的潜力。通过处理初步筛查，它可以将临床医生解放出来以专注于复杂病例，从而解决医生短缺和误诊风险等关键问题，同时缓解医疗资源的压力。
引用
@article{arxiv.2505.19630,
title = {Real-World Doctor Agent with Proactive Consultation through Multi-Agent Reinforcement Learning},
author = {Yichun Feng and Jiawei Wang and Lu Zhou and Yikai Zheng and Zhen Lei and Yixue Li},
journal= {arXiv preprint arXiv:2505.19630},
year = {2026}
}