💻 computer science

Sparse Multi-Stage Expert-Agent Routing for Complex Clinical Reasoning

本文提出了一种稀疏多阶段专家代理路由（Sparse Multi-Stage Expert-Agent Routing）框架，该框架能够在不断演变的临床阶段中自适应地激活最小化的医学专家代理集合，以在显著降低资源消耗的同时实现高诊断准确率，并引入了一种与临床医生判断强相关的全新事实感知评估指标（ClinFEScore）。

原作者： Sike Xiang, Shuang Chen, Qian sun, Jia Cheng, Yusi Wei, Amir Atapour-Abarghouei

发布于 2026-08-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Sike Xiang, Shuang Chen, Qian sun, Jia Cheng, Yusi Wei, Amir Atapour-Abarghouei

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

诊断复杂疾病很少是一个瞬间清晰的过程。它是一个缓慢展开的故事，患者的症状、血液检查、影像扫描和随访观察会一个接一个地到来，通常跨越数天或数周。随着新事实的出现，医生必须不断修正他们的思维，有时甚至需要引入不同领域的专家来帮助解读不断变化的图景。这种被称为“临床推理”的过程很难实现自动化，因为它需要一个能够随着新信息的到来而进行学习的系统，而不仅仅是根据静态的症状列表进行猜测。目前的人工智能工具往往在这方面表现不佳；它们要么根据看到的第一个信息片段做出单一猜测，要么调用一个固定的虚拟专家团队从头到尾讨论每一个病例，无论是否真的需要所有这些专家。这种方法效率低下，既浪费时间又浪费计算能力，而且未能模拟人类医生解决复杂医学难题时那种自然的、演进式的思维方式。

杜伦大学的研究人员开发了一种新方法，旨在教导人工智能如何像人类团队一样通过复杂的医疗病例进行推理。他们创建了一个名为“稀疏多阶段专家代理路由”（Sparse Multi-Stage Expert-Agent Routing）的系统。该系统并非要求一大组虚拟专家完整地审查每一个病例，而是将诊断过程分解为多个阶段，以匹配医疗证据实际呈现的方式。在每个阶段，系统都会查看患者病例的当前状态，并决定现在需要哪位特定的专家。它可能首先由一名全科医生评估初始症状，然后在 X 光片可用时才请放射科医生介入，如果特定的检测结果指向某个方向，随后可能还会请遗传学家参与。至关重要的是，该系统被设计为“稀疏”的，这意味着它仅激活当前真正必要的少数专家，而不是耗尽所有可能的资源。

为了测试这个想法，研究人员构建了一个框架，让人工智能维护一份病例的持续记录，并随着新证据的加入不断更新其理解。他们在重建的医疗病例上训练该系统，在这些病例中，信息是以序列形式呈现的，模拟了真实的医院调查过程。系统学会了为每个潜在的专家代理分配一个“激活分数”。如果分数足够高，该专家就会被邀请贡献其推理；如果分数不够，则保持沉默。这一决策过程由一个记忆系统支持，该系统允许专家记住他们之前的贡献，而无需进行不必要的重复咨询。团队还发明了一种衡量人工智能最终诊断质量的新方法。他们没有仅仅检查人工智能生成的文字是否与正确答案匹配，而是开发了一个名为 ClinFEScore 的工具，用于检查人工智能的结论是否得到了病例中实际呈现的医学事实的支持，从而确保其推理是严谨的，而非仅仅是运气好猜中了答案。

实验结果令人瞩目。与在每个阶段都调用所有可用专家的系统相比，这种新的稀疏路由方法将单个病例涉及的专家平均数量从 17 个减少到了仅 3 个。尽管使用的资源大幅减少，但诊断质量依然保持在高水平，系统在识别正确的医学事实方面保持了很高的准确性。在利用模拟数据进行的测试中，新方法在保持与成本高得多的“全员配备”方案相当的诊断质量的同时，显著降低了计算的预估能量成本。研究人员还在 200 个来自医院多学科团队的真实案例中测试了他们的系统。在这些现实场景中，该系统的诊断准确率达到了 91.5%，并得到了人类医生的验证。此外，他们创建的新评估工具 ClinFEScore 显示出与人类医生判断推理质量的高度一致性，这证实了该系统不仅是在生成看起来正确的文本，而且确实是在基于证据进行正确的推理。

这项研究表明，高效医疗人工智能的关键不在于拥有更多的专家或更多的计算能力，而在于拥有一种更聪明的协调方式。通过使专家的参与取决于每一步所获得的证据，该系统避免了重复提问或咨询对情况毫无贡献的专家的冗余行为。研究人员发现，这种方法在不同类型的底层人工智能模型上都表现良好，这表明改进来自于路由策略本身，而非特定的语言模型。虽然这项工作是一个重要的进步，但作者指出，未来的研究需要在该方法在更多样化的医院和医疗流程中进行测试，以确保其在多样化的现实环境中保持可靠。目前，这些发现为开发能够以专业医疗团队般的效率和适应性处理复杂医疗推理的人工智能系统提供了一条充满希望的路径。

技术摘要：用于复杂临床推理的稀疏多阶段专家智能体路由机制

问题陈述

复杂的临床诊断本质上是一个动态的多阶段过程，证据随时间不断积累（例如：初始症状、实验室检查、影像学结果、病理学检查、随访等）。临床医生会随着新数据的到来不断修正诊断假设，并通常根据病例演变的性质咨询不同的医学专科。然而，现有的基于大语言模型（LLM）的临床推理系统通常运行在两种次优模式之一：

单次预测（Single-pass prediction）： 一次性处理整个病例描述，未能模拟证据的时间演进过程。
固定多智能体工作流（Fixed multi-agent workflows）： 无论处于何种证据阶段，都调用一组静态的智能体，这导致了要么是静态的专家参与，要么是过度详尽且不必要的咨询。

这些方法未能将专家参与与临床证据的逐步到达相结合，导致资源利用效率低下、意见冗余，并且缺乏对不断变化的诊断问题的适应能力。此外，评估此类系统的输出也具有挑战性；标准指标通常依赖于表层文本相似度，而非与临床证据的事实一致性。

方法论

作者提出了**稀疏多阶段专家智能体路由（Sparse Multi-Stage Expert-Agent Routing）**框架，该框架将诊断建模为一个阶段性的路由过程，其中专家的激活取决于当前的病例状态和可用证据。

1. 框架架构

系统处理组织成顺序证据块的多模态临床输入（人口统计学、症状、化验、影像学等）。

阶段性状态演进： 系统维护一个演进中的病例表示 $h^{(s)}$ 。在每个阶段 $s$ ，新证据 $x^{(s)}$ 被编码并与前一状态拼接，以形成跨阶段表示。
动态路由机制： 路由模块根据当前状态为每个候选专家智能体分配激活分数。
- 内部状态更新： 路由状态通过内部步骤 $t$ 使用衰减系数 $\lambda$ 进行更新，允许激活过程逐步显现，而非通过静态的一次性门控实现。
- 自适应阈值： 应用自适应阈值 $\theta$ 以防止持续过度激活，该阈值根据近期的激活历史（ $a^{(s)}$ ）进行增加。
- 群体级抑制： 一种机制用于控制所有智能体的平均激活率 $r^{(s)}$ 。如果群体活动超过目标值 $\rho$ ，则会引入侧向抑制项 $\eta$ 来提高选择阈值，从而确保稀疏性。
- 二值掩码： 从连续得分中导出二值掩码 $m^{(s)}_i$ ，以确定在该阶段调用哪些特定智能体进行推理。
专家记忆： 框架利用专家特定的记忆来保留专业角色和相关的病例上下文，使后续推理能够建立在早期发现之上，而无需重新咨询整个专家池。

2. 训练目标

模型使用平衡诊断质量与路由效率的联合损失函数 $\mathcal{L}$ 进行训练：

诊断一致性 ( $L_{final}$ )： 衡量最终输出与参考答案之间的语义一致性。
能量成本 ( $L_{energy}$ )： 对专家调用成本以及在某一阶段激活任何智能体的开销进行惩罚。
熵正则化 ( $L_{entropy}$ )： 鼓励多样化的激活模式，以避免模式崩溃。
激活率约束 ( $L_{rate}$ )： 强制执行目标平均激活率以维持稀疏性。

3. 评估协议：ClinFEScore

为了解决表层相似度指标的局限性，作者引入了 ClinFEScore，一种基于事实的语义评估协议。

流程： 基于 LLM 的提取器从生成的结论和参考答案中识别出具有临床重要性的事实陈述。
指标： 这些事实被编码到共享的生物医学语义空间中，以计算：
- 事实相似度（Fact Similarity）： 整体语义重叠度。
- 事实精确度（Fact Precision）： 参考答案支持生成的事实的程度。
- 事实召回率（Fact Recall）： 生成的结论覆盖参考事实的程度。

核心贡献

稀疏多阶段专家智能体路由： 一种阶段感知型框架，其中专家激活是随证据进展而更新的决策，而非固定的工作流。
ClinFEScore： 一种针对自由文本临床结论的新型评估协议，用于测量事实一致性和覆盖范围，并经过临床医生判断验证。
实证验证： 证明了稀疏路由在保持诊断质量的同时，能显著降低计算和咨询成本，并在重建数据集和真实医院病例上均得到了验证。

实验结果

该框架在来自 MAC 和 AgentClinic-NEJM 的重建多阶段病例，以及 200 例真实世界医院多学科团队（MDT） 病例上进行了评估。

定量性能 (MAC & AgentClinic-NEM)

效率： 稀疏路由框架将平均激活的专家智能体数量从 17.0（全量多阶段咨询）降低至 3.0，同时将模拟能量成本从 34.2 降至 7.15。
质量： 尽管减少了智能体数量，该框架仍保持或提高了诊断质量。最佳配置（稀疏 + 记忆）实现的 ClinFEScore 子指标分别为 0.9940（相似度）、0.9792（精确度）和 0.9780（召回率），优于全量咨询模型（0.9845, 0.9706, 0.9690）和单智能体基准模型。
消融实验： 该框架在不同骨干模型（包括 MedGemma-4B 和 Hulu-Med-4B）中表现稳健，表明其增益是由路由架构而非特定 LLM 驱动的。更深的路由层（4 层 vs 2 层）并未带来显著收益，反而导致了模式崩溃。

真实世界 MDT 评估

临床医生一致性： 三名临床医生对 200 例真实病例生成的结论进行了评估，显示出强一致性（平均配对加权 $\kappa = 0.93$ ）。
指标相关性： ClinFEScore 与临床医生的判断表现出强相关性（Spearman's $\rho = 0.81$ ; Pearson's $r = 0.87$ ）。
准确性与成本： 该框架实现了 91.5% 的临床医生验证诊断准确率，且每个病例仅需大约 5 次 专家智能体/LLM 调用。其表现优于 MedAgents（200 例中正确 166 例，约 17 次调用）和 MDAgents（200 例中正确 174 例，约 7 次调用）。

意义与主张

本文主张，稀疏阶段性协作是实现基于 LLM 的临床推理的一种具有临床相关性且高效的方法。通过将专家参与视为与证据进展相关的动态决策，该系统避免了详尽咨询带来的计算和临床低效。ClinFEScore 的引入为评估临床推理输出提供了更严格的标准，超越了表层的文本匹配，转向事实一致性。作者总结道，其方法成功平衡了诊断质量与资源约束，使其成为现实世界中专家资源有限的临床决策支持系统的可行模型。