Beyond Direct Diagnosis: LLM-based Multi-Specialist Agent Consultation for Automatic Diagnosis

要約

自動診断は医療における AI の重要な応用であり、患者の症状の説明に基づいて診断が生成されます。
これまでの研究では、正規化された症状と考えられるすべての疾患の間の関係をモデル化することで、この課題に直接アプローチしてきました。
ただし、臨床診断プロセスでは、患者は最初に一般開業医の診察を受け、必要に応じて、より包括的な評価のために特定の領域の専門家に紹介されます。
最終的な診断は、多くの場合、医療専門家グループ間の共同協議から導き出されます。
最近、大規模な言語モデルは、自然言語理解において素晴らしい能力を示しています。
この研究では、チューニングフリーのLLMベースのエージェントを医療従事者として採用し、潜在的な疾患に対するエージェントの確率分布を適応的に融合することにより、現実世界での診断プロセスをモデル化するエージェント派生マルチスペシャリストコンサルテーション（AMSC）フレームワークを提案します。
実験結果は、ベースラインと比較して、私たちのアプローチの優位性を示しています。
特に、私たちのアプローチではパラメータの更新とトレーニングに必要な時間が大幅に短縮され、効率と実用性が向上します。
さらに、自動診断の文脈における潜在的な症状の役割についての新しい視点を掘り下げます。

要約(オリジナル)

Automatic diagnosis is a significant application of AI in healthcare, where diagnoses are generated based on the symptom description of patients. Previous works have approached this task directly by modeling the relationship between the normalized symptoms and all possible diseases. However, in the clinical diagnostic process, patients are initially consulted by a general practitioner and, if necessary, referred to specialists in specific domains for a more comprehensive evaluation. The final diagnosis often emerges from a collaborative consultation among medical specialist groups. Recently, large language models have shown impressive capabilities in natural language understanding. In this study, we adopt tuning-free LLM-based agents as medical practitioners and propose the Agent-derived Multi-Specialist Consultation (AMSC) framework to model the diagnosis process in the real world by adaptively fusing probability distributions of agents over potential diseases. Experimental results demonstrate the superiority of our approach compared with baselines. Notably, our approach requires significantly less parameter updating and training time, enhancing efficiency and practical utility. Furthermore, we delve into a novel perspective on the role of implicit symptoms within the context of automatic diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google