MedClarify：一种用于医学诊断的信息寻求AI代理，能够生成针对具体病例的后续问题

大型语言模型（LLMs）在医学诊断任务中的应用日益增多。在临床实践中，正确的诊断通常不能仅从初始患者表现中直接得出，而需要通过系统性的病史采集过程，通过迭代提问来排除多种潜在疾病并解决不确定性。然而，目前医学LLMs在生成具有信息量的后续问题以支持诊断推理方面仍研究不足。本文提出MedClarify，这是一种信息寻求的AI代理，能够生成后续问题以支持诊断决策。MedClarify首先计算一组候选诊断（类似于鉴别诊断），然后主动生成旨在减少诊断不确定性的后续问题。通过选择预期信息增益最高的问题，MedClarify实现了有针对性、关注不确定性的推理，从而提高诊断性能。实验表明，当前LLMs在医学推理中存在局限性，尤其是在患者病例不完整或缺乏关键诊断信息时，常常产生多个可能性相近的诊断结果。而本文的信息论推理方法可以有效生成后续问题，将诊断错误率降低了约27个百分点。总体而言，MedClarify为通过代理式信息获取提升医学LLMs提供了新路径，并促进与医学LLMs的有效对话，反映真实临床推理的迭代和不确定性特点。