💻 计算机科学

Towards guideline-grounded clinical decision-making: a multi-scale study of retrieval augmented generation based large language model agents

本研究表明，将检索增强生成（RAG）与临床指南相结合，能够显著提升大语言模型智能体在多种医疗场景下的诊断准确性、治疗一致性及透明度。

原作者： Romain André, John Hermans, J.P. Sedelaar, Henkjan Huisman

发布于 2026-10-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Romain André, John Hermans, J.P. Sedelaar, Henkjan Huisman

原始论文采用 CC BY 4.0 许可（https://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

在现代医院中，医生的头脑是一个强大的诊断引擎，但它并非无懈可击。医生必须在时间压力下，从混乱的病史、化验结果和影像扫描中筛选信息，以寻找正确的答案。近年来，一种被称为大语言模型的新型人工智能出现了，它能够阅读海量的医学文本并回答复杂的问题。这些模型经过数百万份文档的训练，实际上是记忆了一个医学知识库。然而，这种记忆存在一个缺陷：模型并不总是能区分它所学到的知识与当前特定患者的真实情况。它可能会自信地陈述一个过时的事实，或者更糟，凭空捏造一个从未发生过的细节。为了解决这个问题，研究人员开发了一种称为“检索增强生成”的方法。该系统不再仅仅依赖其内部记忆，而是在开口说话之前，会停下来从受信任的数据库中查找最相关的、最新的指南。这就像一位医生在做出最终决定之前，会快速查阅最新的官方方案，以确保其推理过程有当前的证据作为支撑。

荷兰拉德堡德大学医学中心（Radboud University Medical Center）的一个研究小组致力于测试这种“先查阅再发言”的方法是否真的能改善人工智能进行临床决策的方式。他们并没有简单地询问人工智能一个问题，比如“阑尾炎的治疗方法是什么？”相反，他们创建了一个复杂的模拟过程，模仿了急诊室诊断患者时那种真实且混乱的过程。利用来自 2,400 例涉及急性腹痛的真实病例数据，他们要求一个人工智能代理扮演医生。该代理从患者的初始叙述开始，必须逐步决定进行哪些体格检查、开具哪些血液检查以及请求哪些影像扫描。在每次检查后，代理都会收到结果，并决定下一步该做什么，直到它认为已经掌握了足够的信息，可以给出疾病名称并制定治疗方案为止。研究人员测试了八个不同版本的人工智能，从较小、较快的模型到庞大、高度复杂的模型不等，并比较了它们在具备查阅指南能力与不具备该能力情况下的表现。

结果显示，给予人工智能获取精选医学指南库的权限显著提高了其表现。当模型被允许在决策过程中的每一步都检索并阅读相关的指南时，其诊断准确率从平均 55.64% 上升到了 64.29%。这种提升并不局限于最大或最昂贵的模型；无论模型的大小或其预训练时掌握了多少医学知识，所有测试的版本都得到了帮助。该系统在开具正确检查方面的表现变得更好，例如请求针对胰腺炎的特定酶测试或针对胆囊问题的超声检查，并且更有可能得出正确的最终诊断和治疗方案。研究发现，人工智能不仅仅是在提高猜测的准确度，它还在遵循一条更符合逻辑的路径，即以正确的顺序请求正确的信息，就像一名熟练的临床医生一样。

然而，研究人员发现，仅仅向人工智能添加一个文本库并不能保证成功。系统搜索信息的方式与信息本身同样重要。最关键的因素在于这样一个步骤：人工智能必须在查找指南之前，将整个患者的故事重写为一个简短、集中的搜索查询语句。如果没有这一步，人工智能会尝试使用整个、混乱的患者病史进行搜索，这往往会干扰搜索引擎并返回无关文档。通过将患者的故事压缩成一个清晰、具体的提问，人工智能就能找到它所需的精确指南。此外，研究人员发现，搜索的时机也非常重要。如果人工智能在进行任何体格检查或实验室测试之前就尝试查找指南，效果会大打折扣。当系统在收集到一些初步事实后再去咨询知识库时，效果最好。

研究还表明，指南本身的质量也起着重要作用。当研究人员在知识库中添加了一些涵盖症状相似但并非目标疾病的额外文档时，人工智能的表现略有下降，尽管其表现仍优于没有任何知识库的情况。这表明，虽然该系统具有鲁棒性，但它对“噪声”或干扰信息较为敏感。研究人员总结道，对于人工智能要在医院里真正发挥作用，它不能仅仅是一个博学多才的智能聊天机器人。它必须是一个结构化的智能体，知道如何在正确的时间寻找正确的证据，知道如何重写自己的问题以保持专注，并根据可靠来源验证自己的步骤。虽然这项技术在提高诊断准确性和使决策过程更加透明方面展现出巨大的潜力，但作者提醒说，它尚未准备好取代人类医生。该系统仍需要人类的监督，未来的研究还需要证明它能否安全地应对真实急诊科的压力和复杂性。目前，这项工作证明了当人工智能以经过验证的外部知识为基础时，它会成为完成救治生命这一艰巨任务时更可靠的伙伴。

技术摘要：迈向基于指南驱动的临床决策

问题陈述
大语言模型（LLMs）在临床决策支持方面展现出潜力，但目前受限于不透明的知识来源、不一致的推理过程以及幻觉信息的生成。在连续性的诊断路径中，这些局限性削弱了可靠性，不仅影响最终诊断，还影响了所请求检查的顺序以及做出诊断决策的时机。虽然检索增强生成（RAG）提供了一种在无需重新训练的情况下将模型锚定在外部权威来源上的机制，但现有的评估通常侧重于单轮问答或执照考试类题目。这些方式无法捕捉到现实世界临床决策中迭代式、信息收集式的本质——即智能体必须自主决定何时进行哪些检查，以及何时停止收集证据。此外，RAG 的性能对语料库准备、查询构建和证据呈现高度敏感，然而对于实现临床实用性所需的具体设计要素，目前仍缺乏深入研究。

方法论
作者扩展了 MIMIC-IV-Ext 临床决策制定（MIMIC-CDM）基准测试，以评估 RAG 在迭代式、多步诊断场景中的表现。本研究利用了来自急诊科的 2,400 条真实患者路径，这些患者均表现为急性腹痛（阑尾炎、胆囊炎、憩室炎或胰腺炎）。

实验设置： 该框架要求 LLM 智能体根据患者病史，自主请求体格检查、实验室检查和影像学检查手段。智能体会迭代地整合新发现的信息，直到其判断已有充分证据足以给出最终诊断和护理计划。
RAG 集成： 在 RAG 条件下，在每个决策步骤中，累积的患者病史会被自主压缩为一个聚焦的搜索查询。相关的指南段落会从精选语料库中被检索出来，经过重排序后附加到模型的上下文之前，再生成下一步行动。
模型范围： 研究评估了八种可本地部署的 LLM 主干网络，参数规模从 1B 到 70B 不等，包括通用指令微调模型、生物医学微调模型以及临床基础模型。所有模型均在匹配的 4-bit 量化推理设置下本地运行，以符合数据治理约束。
消融实验与语料库分析： 研究系统地改变了检索设计组件（查询改写、重排序、证据排序、检索时机）和语料库构成（目标病理覆盖度、文档清洗、诊断模糊性），以分离驱动性能的关键因素。

核心贡献

迭代式临床基准测试： 本研究超越了静态问答，通过一个智能体控制诊断工作流的动态、序列化决策环境来评估 RAG。
RAG 组件的系统性消融： 作者证明了 RAG 的临床益处并非天生于仅仅添加检索文本，而是关键取决于特定的检索设计选择。
语料库敏感性分析： 研究量化了检索保真度和下游临床性能如何受语料库范围、文档处理（清洗/OCR 校正）以及引入诊断模糊性（干扰项）的影响。

结果

诊断准确率： 在所有八个主干网络中，R를 始终提高了平均宏平均诊断准确率，从 55.64%（非 RAG）提升至 64.29%（RAG），绝对增益为 8.65 个百分点（ $P=0.0039$ ）。这种提升在不同模型规模（1B 至 70B）以及通用型和医学专业型模型中均有观察到。
特定病理的增益： 改进程度因病症而异，其中最大的增益出现在憩室炎（+17.33 点）和胰腺炎（+9.86 点），而阑尾炎的改善则微乎其微且不显著，这可能是由于其基准性能较高。
流程级对齐： 在针对三个主干网络的匹配分析中，RAG 提高了与临床医生检查顺序（体检、影像、化验）的对齐度 5.17 点，以及治疗方案对齐度 3.97 点。
关键设计因素：
- 自主查询改写： 这是最具影响力的组件。移除查询改写（使用原始上下文作为查询）会导致检索精确度（P@6）下降 11.12 点，诊断准确率下降 2.73 点。
- 重排序： 移除重排序会降低检索保真度和诊断准确率。
- 语料库构成： 将语料库从 4 个指南扩展到 16 个指南提升了性能。然而，加入 16 个“模糊”指南（非目标腹痛诱因）降低了检索保真度和诊断准确率，尽管 RAG 仍优于非 RAG 基准线。
- 检索时机： 在获取第一项临床观察结果之前（仅凭病史）启动检索，会显著降低检查顺序的对齐度，这表明在缺乏足够临床数据的情况下进行过早检索可能会误导诊断路径。

意义与主张
论文得出结论，基于指南驱动的 RAG 可以提高 LLM 智能体的诊断结果和临床决策路径，同时增加可追溯性和透明度。然而，作者强调，这种益处的幅度取决于结构化的检索设计，特别是自主的任务导向型查询改写和段落级重排序。

研究明确指出，虽然 RAG 提高了诊断准确性和流程对齐度，但它并未解决所有的工作流或安全性障碍。模型可能在检查过程不完整或次优的情况下达到正确的诊断；因此，仅凭终点准确率并不能证明临床安全性。作者断言，“RAG”本身并不是一个足够精确的设计描述，除非同时报告了语料库构建、查询生成和证据组织方式。他们总结道，这些发现支持将 RAG 作为受监督、可审计的临床决策支持进行评估，但并不支持在缺乏临床医生监督的进一步前瞻性评估下进行其自主临床部署。

类似论文