GraphDx：用于顺序诊断的成本感知知识增强多代理框架

arXiv:2607.15280v1 公告类型：新 摘要：顺序诊断需要通过迭代信息收集来平衡诊断准确性与资源成本。现有的大型语言模型（LLM）方法表现出严重的知识推理差距：尽管编码了广泛的医学知识，但它们在成本限制下难以系统地推理，常常诉诸过度的测试。我们提出了 GraphDx，这是一个具有两项核心创新的知识增强框架。首先，我们设计了一个自动化管道，利用法学硕士构建具有量化典型性、以行动为中心的拓扑和双目标属性的医学诊断知识图（MDKG），以实现诊断相关性和成本敏感性。其次，我们引入三个协作代理（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 上跨三个 LLM 主干（DeepSeek-V3、Kimi-k2、Llama-3.3）进行的实验表明，GraphDx 将诊断成功率从 50--68% 提高到 79--93%，同时降低了 20--54% 的测试成本，为自动化临床诊断提供了强大、经济且可解释的解决方案。