Resumen: La toma de decisiones médicas a menudo implica integrar el conocimiento de múltiples especialidades clínicas, típicamente logradas a través de equipos multidisciplinarios. Inspirado en este proceso de colaboración, el trabajo reciente ha aprovechado los modelos de idiomas grandes (LLM) en marcos de colaboración de múltiples agentes para emular el trabajo en equipo de expertos. Si bien estos enfoques mejoran el razonamiento a través de la interacción de los agentes, están limitados por roles estáticos y previamente asignados, que obstaculizan la adaptabilidad y la integración dinámica del conocimiento. Para abordar estas limitaciones, proponemos KAMAC, un marco de colaboración adaptable de múltiples agentes basado en el conocimiento que permite a los agentes de LLM formar y expandir dinámicamente equipos de expertos basados en el contexto de diagnóstico en evolución. Kamac comienza con uno o más agentes expertos y luego lleva a cabo una discusión impulsada por el conocimiento para identificar y llenar vacíos de conocimiento reclutando especialistas adicionales según sea necesario. Esto respalda la colaboración flexible y escalable en escenarios clínicos complejos, con decisiones finalizadas mediante la revisión de los comentarios de agentes actualizados. Los experimentos en dos puntos de referencia médicos del mundo real demuestran que KAMAC supera significativamente los métodos de agentes múltiples y avanzados, particularmente en escenarios clínicos complejos (es decir, pronóstico del cáncer) que requieren experiencia dinámica y de especialidad cruzada. Nuestro código está disponible públicamente en: esta URL HTTPS.
Publicado Originalme en export.arxiv.org El 18 de septiembre de 2025.
Ver Fuente Original
