MedCoRAG: Interpretable Hepatology Diagnosis via Hybrid Evidence Retrieval and Multispecialty Consensus

O artigo apresenta o MedCoRAG, um framework de IA interpretável para diagnóstico de doenças hepáticas que combina recuperação híbrida de evidências e raciocínio colaborativo multiagente para superar as limitações de transparência e precisão dos métodos existentes.

O essencial

Imagine que você precisa diagnosticar uma doença no fígado de um paciente. No mundo real, isso não é feito por uma única pessoa olhando para um computador, mas por uma equipe de especialistas (um hepatologista, um radiologista, um imunologista, etc.) reunidos em uma sala para discutir o caso, olhar os exames e chegar a um consenso.

O MedCoRAG é um sistema de inteligência artificial criado para imitar exatamente esse processo de "reunião de especialistas", mas de uma forma muito mais organizada e transparente do que os sistemas atuais.

Aqui está uma explicação simples, usando analogias do dia a dia:

1. O Problema: O "Gênio Solitário" vs. A "Equipe"

Atualmente, muitas IAs médicas funcionam como um gênio solitário. Você dá os dados do paciente para a IA, e ela tenta adivinhar a resposta baseada no que "leu" na internet ou em livros antigos.

• O risco: Às vezes, esse "gênio" alucina (inventa fatos), usa informações desatualizadas ou não consegue explicar por que chegou àquela conclusão. É como pedir para um único médico fazer todo o trabalho de um hospital inteiro sozinho, sem consultar ninguém.

2. A Solução: O MedCoRAG (O "Gerente de Reunião")

O MedCoRAG funciona como um gerente de projetos superorganizado que coordena uma equipe de especialistas. Ele não tenta adivinhar tudo sozinho; ele segue um roteiro inteligente:

Passo 1: A "Caixa de Ferramentas" Inteligente (Hibridismo)

Antes de começar a discutir, o sistema monta uma "caixa de ferramentas" personalizada para aquele paciente específico.

• O que ele pega? Ele busca duas coisas ao mesmo tempo:
  1. Regras Oficiais: Trechos de manuais médicos atualizados (como as leis da estrada).
  2. Mapas de Conexão: Um "Google Maps" gigante de doenças (chamado UMLS), que mostra como um sintoma (ex: pele amarela) se conecta a uma doença (ex: hepatite) através de vários passos lógicos.
• O Pulo do Gato: Ele não joga tudo na mesa. Ele usa um filtro inteligente para descartar informações irrelevantes, garantindo que a equipe só veja o que é realmente importante para aquele paciente.

Passo 2: O "Gerente de Tráfego" (O Agente Roteador)

Aqui está a mágica. O sistema analisa o caso e pergunta: "Isso é simples ou complicado?"

• Caso Simples: Se o paciente tem uma condição clara (ex: um cisto simples), o sistema chama apenas um Generalista (um médico generalista) para dar o diagnóstico rápido. É como ir ao pronto-socorro para um corte pequeno: resolve rápido.
• Caso Complexo: Se o paciente tem sintomas confusos e graves, o Gerente aciona a equipe completa. Ele chama o especialista em fígado, o de câncer, o de imunologia, etc., dependendo do que os sintomas sugerem.

Passo 3: A "Sala de Reunião" (Raciocínio Colaborativo)

Agora, os especialistas "conversam" entre si:

• O especialista em fígado diz: "Olha, os exames de sangue sugerem Hepatite B, mas a imagem do ultrassom não bate."
• O especialista em imunologia diz: "Concordo, e os níveis de uma proteína específica (IgM) são muito altos, o que aponta para outra coisa."
• Se eles não tiverem certeza, o sistema volta à caixa de ferramentas para buscar mais informações específicas (como se dissessem: "Precisamos de um exame de sangue mais detalhado sobre X").
• Eles debatem até chegarem a um consenso.

Passo 4: O "Relatório Final" (Diagnóstico Rastreável)

No final, o Generalista reúne todas as opiniões, os debates e as evidências encontradas para escrever um diagnóstico final.

• A grande vantagem: Diferente de outras IAs que dizem apenas "É a doença X", o MedCoRAG entrega um relatório completo: "É a doença X porque o sintoma A conecta-se ao B através da regra C, e os especialistas Y e Z concordaram após descartar a doença Z."

Por que isso é importante?

1. Transparência: Você pode ver o "caminho" que a IA percorreu. É como ter o rascunho de um advogado mostrando todas as leis que ele usou para construir o caso.
2. Precisão: Ao usar especialistas virtuais que debatem, o sistema evita erros comuns de uma única IA.
3. Adaptabilidade: Ele não trata todos os pacientes da mesma forma. Ele sabe quando é preciso chamar a "equipe completa" e quando um "generalista" resolve.

Resumo em uma frase

O MedCoRAG é como transformar um computador médico em uma equipe de especialistas humanos que se reúnem, consultam os manuais mais recentes, debatem os casos difíceis e entregam um diagnóstico com uma explicação clara de como chegaram lá, tudo isso feito por máquinas.

Resumo técnico

Resumo Técnico: MedCoRAG

1. Problema e Motivação

O diagnóstico preciso e interpretável de doenças hepáticas a partir de Registros Eletrônicos de Saúde (EHRs) do mundo real é um desafio crítico na medicina de precisão. As abordagens de IA existentes enfrentam várias limitações:

• Falta de Transparência: Modelos de Linguagem de Grande Porte (LLMs) frequentemente operam como "caixas pretas", sem justificativas passo a passo rastreáveis, o que é inaceitável para diagnósticos de alto risco.
• Alucinações e Conhecimento Estático: LLMs puros podem gerar diagnósticos confiantes, mas incorretos, devido a dados de treinamento desatualizados ou falta de acesso a evidências externas.
• Limitações do RAG Tradicional: A Geração Aumentada por Recuperação (RAG) padrão depende de texto não estruturado, falhando em inferências clínicas complexas que exigem relações explícitas entre conceitos médicos.
• Agentes Estáticos: Sistemas multi-agente atuais frequentemente ativam o mesmo conjunto de especialistas independentemente da complexidade do caso, levando a deliberacões redundantes ou insuficientes, e muitas vezes não integram profundamente Guias Clínicos e Grafos de Conhecimento (KGs).

O objetivo do MedCoRAG é superar essas barreiras criando um framework que simule uma consulta multidisciplinar (MDT) real, garantindo que o diagnóstico seja baseado em evidências estruturadas, rastreáveis e adaptadas à complexidade do caso.

2. Metodologia

O MedCoRAG é um framework híbrido que combina RAG (Geração Aumentada por Recuperação) com Sistemas Multi-Agente. A arquitetura opera em três módulos principais:

A. Módulo de Achados Anormais e Diagnóstico Preliminar:

• Extração e Padronização: O sistema extrai entidades anormais do texto clínico e as mapeia para terminologia médica padronizada (UMLS - Unified Medical Language System) usando um LLM.
• Geração de Hipóteses: Com base nas entidades padronizadas e na narrativa clínica, o sistema gera um conjunto inicial de hipóteses diagnósticas (diferenciais).

B. Módulo Híbrido de RAG (Hybrid RAG):

• Recuperação Dupla: Para cada hipótese, o sistema recupera simultaneamente:
  1. Trechos de Guias Clínicos autoritários (ex: AASLD, EASL).
  2. Caminhos de raciocínio do Grafo de Conhecimento UMLS (conexões semânticas entre sintomas e doenças).
• Poda (Pruning) Orientada por Evidências: Um LLM avalia e "poda" os caminhos do grafo e os trechos dos guias, descartando links irrelevantes ou implausíveis com base na narrativa completa do paciente. Isso cria um "pacote de evidências" específico para o paciente.

C. Módulo de Raciocínio Colaborativo Multi-Agente:

• Agente Roteador (Router Agent): Avalia a complexidade do caso.
  • Casos Simples: Um Agente Generalista sintetiza o diagnóstico diretamente do pacote de evidências.
  • Casos Complexos: O roteador ativa dinamicamente Agentes Especialistas (ex: Hepatologia, Oncologia, Radiologia) baseados nos achados clínicos específicos.
• Deliberação Iterativa: Os especialistas analisam as hipóteses sobre o pacote de evidências compartilhado. Se a evidência for insuficiente, eles disparam recuperações direcionadas (re-retrieval) para preencher lacunas.
• Formação de Consenso: Um Agente Generalista final integra todas as deliberações, justificativas e incertezas para produzir um único diagnóstico de consenso, com um relatório rastreável.

Técnica de Otimização: Para viabilizar a implantação, o raciocínio de um modelo grande (Qwen3-Max) foi destilado (via Knowledge Distillation) para um modelo estudante mais leve (Llama-3.1-8B-Instruct), que atua como os agentes durante a inferência.

3. Principais Contribuições

1. Framework MedCoRAG: Uma nova arquitetura RAG-multi-agente que emula consultas MDT de hepatologia, coordenando agentes sob demanda em um loop diagnóstico iterativo e restrito por evidências.
2. Raciocínio Híbrido Alinhado a MDT: Unificação de caminhos de KG podados e trechos de guias clínicos em um espaço evidencial único, interpretado através de lentes de especialistas específicos, resultando em diagnósticos resistentes a alucinações.
3. Roteamento Dinâmico de Complexidade: Diferente de sistemas estáticos, o MedCoRAG adapta o número e o tipo de especialistas envolvidos conforme a complexidade do caso, otimizando recursos e precisão.
4. Validação Rigorosa: Avaliação abrangente em casos reais de doenças hepáticas do conjunto de dados MIMIC-IV, demonstrando superioridade sobre modelos proprietários, open-source e frameworks de agentes existentes.

4. Resultados Experimentais

O modelo foi testado em 3.470 casos de 13 doenças hepáticas comuns (ex: Hepatite B, Cirrose, Carcinoma Hepatocelular).

• Desempenho Geral: O MedCoRAG superou todos os baselines, incluindo modelos médicos especializados (até 8B parâmetros), modelos proprietários grandes (GPT-4o, Gemini 2.5) e outros frameworks de agentes.
  • Precisão (Weighted Precision): 81.32%
  • Revocação (Recall): 79.18%
  • F1-Score: 79.12%
• Análise de Erros: As classificações incorretas ocorreram principalmente entre entidades clinicamente relacionadas (ex: complicações de cirrose vs. distúrbios colestáticos), refletindo a dificuldade inerente desses diagnósticos, mas o modelo manteve alta precisão em eventos agudos (ex: ruptura de varizes).
• Estudo de Ablação: A remoção de qualquer componente (Guias Clínicos, Grafos de Conhecimento, ou Deliberação Multi-Agente) resultou em queda significativa de desempenho. A ausência combinada de KG e Guias Clínicos fez o F1 cair para 55.32%, comprovando a necessidade de evidências externas estruturadas.
• Eficiência: Casos simples foram resolvidos em ~10 segundos, enquanto casos complexos com múltiplos agentes levaram ~33 segundos, com custo de treinamento de destilação de apenas $24.53.

5. Significância e Impacto

O trabalho do MedCoRAG representa um avanço significativo na IA clínica confiável:

• Interpretabilidade: Ao fornecer um relatório de consenso rastreável que cita guias e caminhos de conhecimento específicos, o sistema atende aos padrões de transparência exigidos na prática médica.
• Adaptabilidade Clínica: A capacidade de simular uma equipe multidisciplinar dinâmica, onde especialistas são chamados apenas quando necessário, aproxima a IA do fluxo de trabalho real dos hospitais.
• Segurança: A integração de guias clínicos e a poda de evidências reduzem drasticamente o risco de alucinações, tornando o sistema viável para suporte à decisão clínica em hepatologia.

Em resumo, o MedCoRAG demonstra que a combinação de recuperação híbrida de conhecimento, poda de evidências e colaboração multi-agente dinâmica pode superar as limitações dos LLMs puros, oferecendo diagnósticos precisos, explicáveis e alinhados com a prática médica real.