有效的鉴别诊断依赖结构化且无歧义的病例描述，信息缺失或模糊会导致误诊和推理不一致。近期大型语言模型在医学问答和临床推理上取得了可观成绩，但它们往往基于训练数据的模式识别，而非扎实的临床证据，容易给出看似合理却缺乏支持的结论，推理过程也难以被临床医生审查。
为弥补这一缺口，我们设计了一套本体引导的多代理鉴别诊断系统，模拟医生的迭代思考过程。系统以专家构建的医学本体为知识底座，将症状、体征和疾病之间的关联以结构化形式呈现，使诊断推理能够直接映射到可验证的证据链上。
框架的核心由四个模块组成：本体库提供疾病-症状、检查-结果等关系；代理调度层负责在不同推理阶段分配任务；证据追踪引擎将每一步结论与本体中的关联对应，形成可审计的推理路径；缺失症状识别模块通过计算信息增益挑选最具区分性的未采集信息，并自动生成针对性的追问，以降低诊断不确定性。
实验表明，基于本体的约束显著抑制了模型的幻觉行为，提升了诊断的透明度、可追溯性和一致性，同时在公开的医学基准上实现了更高的准确率。完整代码已在公开仓库中发布，供社区复现与扩展。
点评