树状推理：通过证据树实现复杂医学诊断的多智能体推理
人工智能
2025-08-06 v1
摘要
大型语言模型（LLM）在医学领域展现出巨大的潜力。然而，现有模型在面对现实世界中的复杂医学诊断任务时仍显不足。这主要是由于缺乏足够的推理深度，导致在处理大量专业医学数据时出现信息丢失或逻辑跳跃，从而导致诊断错误。为此，我们提出了树状推理（Tree-of-Reasoning, ToR），一种新颖的多智能体框架，用于处理复杂场景。具体而言，ToR引入了一种树状结构，用于清晰记录LLM的推理路径及其对应的临床证据。同时，我们提出了一种交叉验证机制，以确保多智能体决策的一致性，从而提高了在复杂医学情境下的临床推理能力。在真实医学数据上的实验结果表明，我们的方法优于现有的基线方法。
引用
@article{arxiv.2508.03038,
title = {Tree-of-Reasoning: Towards Complex Medical Diagnosis via Multi-Agent Reasoning with Evidence Tree},
author = {Qi Peng and Jialin Cui and Jiayuan Xie and Yi Cai and Qing Li},
journal= {arXiv preprint arXiv:2508.03038},
year = {2025}
}
备注
Accepted by ACM MM 2025