Resumen: Los modelos de lenguaje grande (LLM) han revolucionado las tareas de razonamiento médico, sin embargo, los sistemas de agente único a menudo fallan en problemas complejos e interdisciplinarios que requieren un manejo sólido de la incertidumbre y la evidencia contradictoria. Los sistemas multiagente (MAS) que aprovechan los LLM permiten la inteligencia colaborativa, pero las arquitecturas centralizadas predominantes sufren de cuellos de botella de escalabilidad, puntos únicos de falla y confusión de roles en entornos con recursos limitados. Los MAS descentralizados (D-MAS) prometen una mayor autonomía y resiliencia a través de interacciones entre pares, pero su aplicación a dominios de atención médica de alto riesgo sigue sin explorarse. Presentamos MediHive, un novedoso marco descentralizado de múltiples agentes para responder preguntas médicas que integra un grupo de memoria compartida con mecanismos de fusión iterativos. MediHive implementa agentes basados en LLM que autoasignan de forma autónoma roles especializados, realizan análisis iniciales, detectan divergencias a través de debates condicionales basados en evidencia y fusionan localmente los conocimientos de sus pares en múltiples rondas para lograr un consenso. Empíricamente, MediHive supera las líneas de base centralizadas y de LLM único en los conjuntos de datos MedQA y PubMedQA, logrando precisiones del 84,3 % y 78,4 %, respectivamente. Nuestro trabajo avanza en D-MAS escalable y tolerante a fallas para la IA médica, abordando las limitaciones clave de los diseños centralizados y al mismo tiempo demostrando un rendimiento superior en tareas de razonamiento intensivo.
Publicado originalmente en export.arxiv.org el 30 de marzo de 2026.
Ver fuente original
