MEDDxAgent: A Unified Modular Agent Framework for Explainable Automatic Differential Diagnosis
作者: Daniel Rose, Chia-Chien Hung, Marco Lepri, Israa Alqassem, Kiril Gashteovski, Carolin Lawrence
发布时间: 2025-02-27
来源: arxiv
研究方向: 医疗诊断与人工智能
主要内容
该研究提出了一种名为 MEDDxAgent 的模块化可解释自动微分诊断代理框架，旨在解决现有诊断系统在微分诊断过程中的局限性，如依赖单一数据集、孤立优化组件、对完整患者资料的假设以及单次诊断尝试等问题。
主要贡献
1. 提出了一个模块化、多方面的微分诊断代理框架 (MEDDxAgent)，整合了历史记录模拟器和两个诊断代理（知识检索、诊断策略），从而实现可扩展和可解释的决策过程。
2. 引入了一个协调器（DDxDriver），作为一个统一的接口，确保代理之间的迭代学习和交互优化，以及监控决策过程。
3. 构建了一个新的微分诊断基准，包含三个诊断来源，涵盖呼吸、皮肤和罕见疾病，从而实现比现有工作更广泛的诊断范围。
4. 在更具挑战性和现实场景的交互式微分诊断中评估了 MEDDxAgent，并通过实现超过 10% 的准确率提高（即 GTPA@1）来证明其有效性，适用于大型（70B）和小型（8B）LLM。
研究方法
1. 模块化设计：将诊断过程分解为多个模块，包括历史记录模拟器、知识检索代理、诊断策略代理和协调器。
2. 历史记录模拟器：模拟医生与患者的交互过程，逐步收集患者信息。
3. 知识检索代理：从外部知识库中检索相关信息，以支持诊断过程。
4. 诊断策略代理：根据收集到的信息生成、优化和排序可能的诊断。
5. 迭代学习机制：通过迭代学习和优化来改进诊断过程。
6. 基准测试：在涵盖呼吸、皮肤和罕见疾病的综合基准上评估系统性能。
实验结果
实验结果表明，MEDDxAgent 在交互式微分诊断中实现了显著的准确率提升，优于简单的单次尝试方法。此外，系统在迭代过程中不断优化和改进诊断过程，显示出其适应性和有效性。
未来工作
未来工作将包括探索以下方面：针对不同架构和训练范式的模型进行更广泛的评估；扩展框架以支持多语言和跨语言诊断任务；探索多模态数据（如医学影像和视频、实验室测试、电子健康记录和基因组/病理数据）的推理；以及构建更全面的基准数据集，以反映更广泛的疾病、人口统计学和临床环境。