摘要
工具增强的大语言模型智能体虽能协调多种医学模型解读胸片，但往往孤立处理病例，缺乏经验积累与自适应能力。本文提出 Evo-MedAgent，一种无需训练的自我进化记忆模块，赋予医疗智能体测试时跨案例学习能力。该记忆系统包含回顾性临床事例、自适应程序启发式规则库及工具可靠性控制器三部分。实验表明，其在多个基准上显著提升了诊断准确率，且仅增加极低的计算开销，可部署于任何冻结模型之上。
AI 推荐理由
论文提出自我进化记忆模块，核心在于测试时通过反思实现跨案例学习与自适应改进。
研究机构
Technical University of Munich (TUM)
TUM University Hospital
LMU Munich
National University of Singapore
Munich Center for Machine Learning (MCML)
Imperial College London
论文信息