GraphDx：知识增强多智能体框架，实现成本可控的序列诊断

在临床诊断中，如何在保证诊断准确性的前提下，有效控制检测成本，是一个关键挑战。现有基于大语言模型（LLM）的方法虽然具备丰富的医学知识，但在成本约束下的系统性推理能力不足，容易导致过度检测。

为此，研究团队在arXiv上发布了GraphDx框架。该框架的核心创新在于两方面：首先，设计了一个自动化流程，利用LLM构建“医学诊断知识图谱”（MDKG）。该图谱不仅量化了症状与疾病的典型关联度，还以诊断动作为中心组织拓扑结构，并为每个节点标注了诊断相关性和成本敏感性双重属性。

其次，框架引入了三个协同工作的智能体：感知智能体、推理智能体和决策智能体。感知与决策智能体分别负责语言理解与生成，与LLM交互；而推理智能体则在MDKG上进行确定性的证据评分和成本感知的规划，从而做出既准确又经济的检测决策。

实验在MedQA和MIMIC-IV数据集上进行，并采用了DeepSeek-V3、Kimi-k2和Llama-3.3三种LLM作为基础。结果显示，GraphDx将诊断成功率从原有的50%-68%大幅提升至79%-93%，同时将检测成本降低了20%-54%。该研究为自动化临床诊断提供了一条兼具鲁棒性、经济性和可解释性的新路径。