摘要
序贯诊断需要在诊断准确性和资源成本之间进行平衡，通过迭代信息收集来实现。现有的大型语言模型（LLM）方法存在显著的知识推理差距：尽管它们编码了大量的医学知识，但在成本约束下系统推理的能力不足，常常过度测试。我们提出了 GraphDx，一个知识增强框架，具有两个核心创新。
首先，我们设计了一个自动化管道，利用 LLM 构建具有量化典型性、以行动为中心的拓扑结构和双目标属性（诊断相关性和成本敏感性）的医学诊断知识图（MDKG）。
其次，我们引入了三个协作代理（感知、推理和决策），其中感知和决策代理处理语言理解和生成，而推理代理在 MDKG 上执行确定性证据评分和成本感知规划。
在 MedQA 和 MIMIC-IV 上的实验显示，基于三种 LLM（DeepSeek-V3、Kimi-k2、Llama-3.3）的 GraphDx 将诊断成功率从 50%--68% 提高到 79%--93%，同时减少测试成本 20%--54%，为自动化临床诊断提供了一个强大、经济和可解释的解决方案。
博主点评： GraphDx 的设计理念在于通过知识图谱与多智能体协作来提升诊断效率，充分考虑了成本因素，这在当前医疗资源紧张的背景下尤为重要。其创新的双目标属性和自动化管道值得关注，能够为未来的医学人工智能研究指明方向。