Resumen: Los modelos de lenguaje grande (LLM) han demostrado un potencial notable en aplicaciones médicas, sin embargo, enfrentan desafíos sustanciales en el manejo de diagnósticos clínicos complejos del mundo real utilizando métodos de solicitud convencionales. Los enfoques de ingeniería rápida y múltiples agentes actuales generalmente optimizan las inferencias aisladas, descuidando la acumulación de experiencia clínica reutilizable. Para abordar esto, este estudio propone un nuevo marco de diagnóstico clínico de agente múltiple (MACD), que permite a LLMS autoadear el conocimiento clínico a través de una tubería de múltiples agentes que resume, refina y aplica ideas de diagnóstico. Refleja cómo los médicos desarrollan experiencia a través de la experiencia, lo que permite un diagnóstico más enfocado y preciso en señales clave específicas de la enfermedad. Lo ampliamos a un flujo de trabajo colaborativo MacD-Human, donde múltiples agentes diagnósticos basados en LLM participan en consultas iterativas, respaldados por un agente evaluador y supervisión humana para los casos en que no se llega a un acuerdo. Evaluado en 4.390 casos de pacientes del mundo real en siete enfermedades utilizando diversos LLM de código abierto (LLAMA-3.1 8B/70B, Deepseek-R1-Distill-Llama 70B), MACD mejora significativamente la precisión del diagnóstico primario, superando las guías clínicas establecidas con ganancias de hasta 22.3% (MACD). En el subconjunto de los datos, logra el rendimiento a la par o excede el de los médicos humanos (mejora hasta el 16% sobre el diagnóstico solo de médicos). Además, en el flujo de trabajo MacD-Human, logra una mejora del 18.6% en comparación con el diagnóstico solo de médicos. Además, el conocimiento autodidacente exhibe una fuerte estabilidad del modelo cruzado, transferibilidad y personalización específica del modelo, mientras que el sistema puede generar fundamentos rastreables, mejorando la explicabilidad. En consecuencia, este trabajo presenta un paradigma de autoaprendizaje escalable para el diagnóstico asistido por LLM, cerrando la brecha entre el conocimiento intrínseco de LLM y la práctica clínica del mundo real.
Publicado Originalme en export.arxiv.org El 24 de septiembre de 2025.
Ver Fuente Original
