基于知识驱动的LLM协作适应性合作，以增强医疗决策-making

于红博

摘要: 医学决策通常涉及整合多个临床专业知识，通常通过跨学科团队实现。受这种协作过程的启发，最近的工作利用大型语言模型（LLMs）在多智能体协作框架中，以模拟专家团队的工作。虽然这些方法通过智能体互动改善了推理能力，但它们受到静态、预分配角色的限制，这些限制阻碍了适应性和动态知识整合。为了解决这些问题，我们提出了KAMAC，一种基于知识驱动的自适应多智能体协作框架，使LLM智能体能够根据不断演变的诊断背景动态形成和扩展专家团队。KAMAC从一个或多个专家智能体开始，然后进行基于知识驱动的讨论，通过根据需要招募额外的专家来识别和填补知识缺口。这支持在复杂临床场景中灵活、可扩展的协作，通过审查更新的智能体评论来最终确定决策。对两个现实世界的医学基准进行的实验表明，KAMAC在单一智能体和高级多智能体方法中表现明显优越，特别是在需要动态、跨专业专业知识的复杂临床场景（即癌症预后）中。我们的代码可以在https://github.com/XiaoXiao-Woo/KAMAC上公开获取。

更新时间: 2025-09-18 14:33:36

领域: cs.AI,cs.CV

下载: http://arxiv.org/abs/2509.14998v1