🤖 AI

EviDx: Evidence-Aware Active Diagnosis with Scaffolded LLM Agents

本文介绍了 EviDx，这是一个证据感知型主动诊断框架，它利用支架式大语言模型智能体（scaffolded LLM agents）和运行时控制机制（runtime harness）来动态获取临床证据并管理诊断不确定性，从而与静态预测模型相比，提升了诊断性能和过程稳定性。

原作者： Lihang Zeng, Shaoting Zhang, Xiaofan Zhang

发布于 2026-08-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Lihang Zeng, Shaoting Zhang, Xiaofan Zhang

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

在现实世界中，医生不会通过阅读一段文字就立刻猜出一个答案来诊断病人。诊断是一个寻找线索的缓慢且主动的过程。医生会倾听病人的陈述，然后开具血液检查单、查看 X 光片，或询问家族病史。随着每一项新信息的加入，医生都会更新其可能的病因清单，排除一些可能性，并缩小关注范围。他们必须不断决定何时已经收集了足够的证据来做出判断，以及何时需要继续寻找。这种寻求证据、权衡可能性并知道何时停止的过程，正是临床推理的核心。

多年来，研究人员一直试图教会计算机如何进行这项工作，使用的是大型语言模型——即那些能够像人类一样写作和聊天的强大人工智能系统。然而，这些系统大多被训练成将诊断视为一场静态的测验。它们被一次性交给一个完整的病例故事，并被要求立即吐出最终答案。这种方法忽略了医学运作的本质。它迫使计算机在有机会进行调查之前就去猜测解决方案，就像要求一名学生在不让使用计算器或草稿纸的情况下解决数学题一样。虽然这些模型可以回忆医学事实，但它们往往无法模拟那种防止错误的、细致且循序渐进的证据收集过程。

一项新研究介绍了一个名为 EviDx 的系统，旨在改变人工智能智能体处理医学诊断的方式。研究人员没有给计算机一个完整的病例档案，而是构建了一个虚拟环境，要求 AI 必须主动寻求信息。想象一个数字化的病房，病人的记录、化验结果和影像扫描件都被锁在不同的抽屉里。AI 智能体无法一次性看到所有内容；它必须请求特定的检查，等待结果，然后决定下一步要申请什么。该系统包含一套引导智能体行为的规则，确保它检查正确类型的信息，并且在完成必要的调查之前不会停止搜索。

研究人员还添加了一个安全监控器，即一个实时观察智能体进展的数字监督者。这个监控器检查两件事：智能体对诊断仍有多少困惑，以及它实际查看了多少可用证据。如果智能体试图在仍处于不确定状态或跳过了重要检查时过早宣布诊断，监控器就会阻止它并强制其继续调查。这防止了计算机基于不完整的信息做出自信的猜测。该系统在数百个真实的临床案例上进行了测试，涵盖了从复杂的急诊室场景到详细的期刊报告，并使用了多种不同的 AI 模型。

结果显示，这种主动寻求证据的方法比旧的静态猜测法效果显著更好。使用 EviDx 的 AI 智能体在识别正确诊断方面准确度更高，尤其是在需要从一系列选项中进行选择时。该系统通过引导它们找到正确的线索，帮助即使是规模较小、功能较弱的模型也表现得更好。然而，研究也发现了一个明显的局限：虽然该系统可以教会智能体如何收集证据并组织思路，但它无法修复基础医学知识的匮乏。如果 AI 模型本身并不了解某种特定疾病，以至于无法理解它发现的线索，那么它仍然难以得出正确的结论。

研究人员还发现，这些系统的最大障碍不仅在于医学知识，还在于遵循严格指令的能力。许多较小的 AI 模型经常在请求信息的方式上出错，例如请求格式不正确或未能正确使用工具。这些技术故障经常导致整个诊断过程崩溃。该研究表明，要使人工智能成为可靠的医疗伙伴，评估的标准不能仅限于它是否得到了最终答案，还要看它在调查过程中的表现。它是否寻找了正确的证据？它在获得足够信息后是否停止了？这一新框架证明，构建一个模仿人类诊断那种主动且谨慎特性的系统是可能的，但这需要精心的设计，以确保计算机始终行驶在正确的路径上。

技术摘要：EviDx

问题定义

临床诊断从本质上讲是一个主动的、迭代的过程，临床医生在此过程中获取证据、更新竞争性假设，并确定是否存在足够的信息以得出结论。然而，现有的大语言模型（LLM）诊断系统主要将诊断视为一种静态的“病例到答案”的预测问题。在这些设置中，模型预先接收完整的临床病史，并在单次传递中生成诊断，从而将证据获取、整合与终止过程压缩进了一个提示词中。这种方法无法模拟主动诊断中固有的过程失效，例如在收集到充分证据之前的过早定论。

虽然工具增强型和智能体化系统通过允许访问患者记录和外部知识，为动态诊断提供了一条路径，但它们往往缺乏明确的机制来控制如何暴露证据、如何构建行动支架以及何时应终止诊断过程。现有系统通常依赖于固定的工作流或轮次预算，使得“证据充分性”这一关键决策的建模能力较弱。

方法论：EviDx 框架

作者引入了 EviDx，一个证据感知的活跃诊断框架，旨在将静态临床病例转化为交互式诊断环境。该系统将患者特定的环境与临床诊断支架及观察者引导的运行时束缚（runtime harness）相结合。EviDx 由四个核心组件组成：

1. E-Synthesis（交互式环境构建）

E-Synthesis 将原始临床文本转换为患者特定的交互式环境 ( $E_x$ )。**上下文初始化器（Context Initializer）**将原始文本处理为结构化的患者数据（EHR），同时保留临床相关的歧义、限定词和阴性发现。这些结构化数据被加载到 EHR 服务器中，并结合证据获取工具，形成一个可以通过模型上下文协议（MCP）查询特定患者记录和外部医学知识的诊断环境。

2. 临床诊断支架（结构化执行）

该支架通过角色专门化的智能体和演进的证据状态来组织诊断执行，而非使用通用的提示词：

诊断智能体（Diagnostician Agent）： 中央推理组件，负责维护鉴别诊断集 ( $D_t$ ) 和信念状态 ( $bP_t$ )。它根据当前的轨迹决定下一步行动（查询数据、咨询知识或结束）。
EHR 执行器（EHR Executor）： 处理对 EHR 服务器的确定性访问，检索人口统计学、病史、实验室检查和影像报告。
临床顾问（Clinical Consultant）： 处理外部证据访问，通过分解请求并从知识服务器（使用混合稠密检索和 BM25 检索）中检索相关文献，为诊断智能体提供支持。

3. 观察者引导的运行时束缚（运行时控制）

仅有支架是不够的；系统需要运行时控制来防止过早终止。**观察者引导的运行时束缚（Observer-Guided Harness）**监控诊断轨迹，并基于两个指标来调节终止行为：

诊断不确定性 ( $H(t)$ )： 计算为所报告的鉴别诊断的熵。高熵表示假设尚未解决。
运行时证据覆盖率 ( $V(T_t)$ )： 被智能体显式查询的可用 EHR 章节比例。

只有当轨迹满足这两个标准时，终止才会被批准： $H(t) < \tau_H$ （已充分解决）且 $V(T_t) > \tau_V$ （已充分探索）。该束缚使用步进感知（step-aware）的动态阈值，随着交互的进行逐渐放宽要求，从而在防止无限循环的同时，拦截不具依据的退出行为。

4. 三层评估金字塔

为了评估该框架，作者提出了一个多维度的评估策略：

第一层（执行鲁棒性）： 衡量工具交互的可靠性，特别是 MCP 语法和模式错误。
第二层（推理动态）： 评估不确定性收敛度（信念状态如何有效集中）和观察者干预频率（运行时束缚拦截过早终止的次数）。
第三层（诊断结果）： 评估最终准确性和参考证据召回率（Reference Evidence Recall），区分仅仅是检索到了证据（获取）与在推理中积极利用证据（认知）。

核心贡献

EviDx 框架： 一种新颖的架构，将静态临床病例转化为交互式环境，通过特定的临床角色、证据工具和状态管理为 LLM 智能体提供支架。
观察者引导的运行时束缚： 一种运行时控制机制，通过追踪不确定性和证据覆盖率来显式管理诊断终止，防止过早得出结论。
三层评估金字塔： 一套全面的评估方法，不仅评估最终答案，还评估执行鲁棒性、推理动态和基于证据的结果。
Med-Evidence-2.6k： 一个包含 2,660 个丰富标注临床实例的精选数据集，通过经医生评审的 LLM 辅助流水线创建。虽然完整数据集支持证据召回评估，但主要实验使用了来自每个来源基准的 100 个受控实例子集，以实现跨模型比较。

实验结果

该框架在三个数据集（JAMA, MedXpertQA-Diag, DiagnosisArena）上进行了评估，涵盖了从 8B 参数开源权重模型到前沿模型（如 GPT-5.2, Claude Sonnet 4.6 等）的多种模型。

执行鲁棒性： 大型前沿模型（GPT-5.2, DeepSeek-V3.2）在工具使用方面表现出极高的鲁棒性。较小的模型（如 Llama3.1-8B）表现出显著的模式和语法错误，凸显了执行鲁棒性是主动诊断的前提条件。
诊断性能： EviDx 提升了所有模型的单选题（MC）诊断性能。值得注意的是，8B 参数模型获得了大幅提升（例如，Qwen3-8B 在 JAMA 上的表现从 18% 提高到 44%）。然而，开放式诊断仍受限于基础模型的参数化医学知识，小型模型在某些开放式设置下的得分接近 0%。
过程稳定性： 观察者引导的运行时束缚成功缓解了不支持的终止行为。案例研究表明，如果没有该束缚，智能体经常在高度不确定或存在误导性阴性发现的情况下过早结束。该束缚强制进行持续的证据获取，从而在不受约束的智能体失败的场景中实现了正确的诊断。
证据召回率： 虽然单选题准确率有所提高，但一些小型模型显示的“认知”得分（在推理中利用证据的能力）低于单智能体基准。这表明存在一种张力：工具协调会导致更压缩或经过改写的追踪过程，尽管推理正确，但降低了精确文本匹配的召回率。

意义与主张

论文声称，EviDx 证明了当交互式诊断环境与显式的证据支架及运行时束缚相结合时，临床 LLM 智能体会变得更加强大。结果表明，临床 LLM 诊断的进展不仅应通过最终答案来评估，还应通过证据获取的质量、诊断轨迹的维持以及关于证据充分性的决策过程来评估。

作者谦虚地指出，虽然 EviDx 提高了过程稳定性和单选题性能，但它无法完全补偿小型基础模型参数化医学知识的局限性。该框架被严格定义为研究证据感知主动诊断的研究工具，而非准备好部署的临床系统，强调了人类介入监督对于安全性至关重要。