摘要
临床诊断是复杂的推理过程，需收集证据、形成假设并验证。针对现有基于大语言模型的诊断代理缺乏对证据显式测试的问题，本文提出一种受医生训练启发的反事实多智能体诊断框架。该框架通过反事实案例编辑修改临床发现，量化“反事实概率差距”以评估证据支持力度，并引导多轮专家讨论以挑战无效假设。实验表明，该方法在多个基准测试中显著提升了诊断准确性与推理的可解释性，尤其在复杂病例中表现优异。
AI 推荐理由
论文核心提出反事实多智能体推理框架，显式进行假设检验与逻辑推导，显著提升诊断推理能力。
研究机构
UIUC
Independent Researcher
Jacobi Medical Center
Beth Israel Deaconess Medical Center
Learning Machines
论文信息