AI也能开MDT会诊？MDTeamGPT构建多智能体医疗协作新范式 精华

引言：多学科协作医疗咨询的挑战与机遇

在现代医学实践中，面对日益复杂的疾病，单一专科的视角往往难以满足患者全面、精准的诊疗需求。多学科团队（Multi-Disciplinary Team, MDT）诊疗模式应运而生，通过系统性地整合不同医学领域的专业知识，旨在制定更准确、更全面的治疗策略，从而改善患者预后。MDT模式的核心价值在于其能够汇聚跨学科的智慧，克服单一专科可能存在的局限性，为患者提供最佳的个体化诊疗方案。

然而，传统的MDT会诊模式在实践中面临诸多挑战。组织跨学科专家进行会诊需要耗费大量的时间和人力资源。同时，会诊过程容易受到流程疏忽、认知偏见以及沟通效率低下等因素的影响。这些系统性的挑战不仅可能影响医疗服务的质量，甚至可能对患者的治疗结果产生不利影响。

近年来，大型语言模型（Large Language Models, LLMs）取得了显著进展。这些模型凭借其庞大的参数规模和在海量、多样化知识库上的训练，展现出强大的推理能力和零样本泛化能力。这为利用LLMs改进传统MDT会诊模式提供了新的可能性。将LLMs作为自主智能体（Agent）应用于医疗咨询，有望辅助人类医生，提高会诊效率和质量。

尽管前景广阔，但将LLMs应用于MDT诊断仍面临严峻挑战。首先，医疗数据的隐私性要求极高，且缺乏标准化的存储方式，导致可用于监督式微调（Supervised Fine-Tuning, SFT）的高质量MDT会诊数据极为稀缺。其次，即使经过医学知识微调，LLMs仍普遍存在“幻觉”（Hallucination）问题，即生成不准确或虚假信息。在医疗这一高风险领域，即便是微小的错误也可能导致严重的医疗事故。

虽然基于LLMs的多智能体系统通过模拟多轮互动，能够激发模型潜在的医学知识，增强推理能力，并在一定程度上减少幻觉的发生，但现有研究仍存在一些局限性。多角色之间的交互往往导致对话历史过长，随着上下文信息的累积，模型的认知负担加重，影响响应效率和准确性。此外，一些方法仅仅简单存储诊疗历史，未能有效提取成功的经验或反思失败的教训，限制了知识的泛化能力和系统的自我进化潜力。

为了应对上述挑战，南京大学、南洋理工的研究团队在论文《MDTeamGPT: A Self-Evolving LLM-based Multi-Agent Framework for Multi-Disciplinary Team Medical Consultation》提出了MDTeamGPT，一个基于LLM的自演化多智能体框架，专门用于模拟和优化MDT医疗咨询过程。该框架旨在通过创新的机制解决长对话历史、认知负担、经验利用不足以及泛化能力受限等问题，探索构建更高效、更可靠的AI辅助医疗咨询系统。

现有方法的局限性与MDTeamGPT的提出背景

在探索使用LLMs进行MDT医疗咨询的过程中，研究人员尝试了多种策略，包括角色扮演、任务分解、模拟临床环境以及积累医疗经验等。例如，MedAgents通过为每个LLM智能体分配不同的医生角色，并采用共识投票机制进行决策。然而，这种方法缺乏稳健的讨论策略，可能导致“集体幻觉”的风险，即多个智能体共同产生错误的结论。此外，许多现有方法依赖于静态的结构，其能力受限于LLM本身的零样本推理水平，难以通过经验积累实现持续改进。

经验利用是提升智能体能力的关键。受人类知识获取机制的启发，为LLM智能体配备反思性记忆被认为可以增强其解决问题的能力。一些研究工作如ExpeL、Co-Learning、IER和Selfevolve探索了不同的经验积累和应用方式。例如，ExpeL从过去的成功案例中积累经验，并在推理时应用这些知识；Co-Learning则侧重于收集由先前行动驱动的经验启发式方法，使智能体能更灵活地处理新任务；IER允许智能体在任务执行过程中迭代地完善积累的经验；Selfevolve利用LLM同时作为知识提供者和自我反思的程序员，使智能体通过反思过程进行进化。Agent Hospital则利用病历库和经验数据库积累诊断数据，以增强医疗智能体的提示并支持其演进。

然而，这些方法在经验利用方面仍存在不足。它们往往缺乏对错误案例的抽象、总结和反思机制，导致无法充分利用失败教训中蕴含的宝贵信息。简单地存储历史记录而不进行有效整合和反思，可能在处理具体细节时引入偏见。

有效的讨论和信息聚合机制对于多智能体系统的性能至关重要。名义群体技术（Nominal Group Technique, NGT）是一种结构化的决策方法，通过个人构思、轮流分享、集中讨论和投票四个阶段，引导团队从个体想法走向集体共识。基于此原则，LLM Discussion通过将对话划分为启动、讨论和收敛阶段，促进多个智能体之间的迭代和发散性交流，以增强LLMs的创造潜力。

尽管现有方法在特定方面取得了一定进展，但在模拟真实MDT会诊场景，特别是解决长对话历史带来的认知负担、有效利用正反两方面经验以及实现系统自演化和知识泛化方面，仍存在明显的改进空间。MDTeamGPT正是在这样的背景下被提出，它试图通过整合多项创新机制，克服现有方法的局限性，提供一个更全面、更高效、能够自我完善的MDT医疗咨询框架。

MDTeamGPT框架详解 (图2)

MDTeamGPT框架的核心是模拟一个结构化的、协作式的、且能够自我学习和改进的MDT会诊流程。该框架包含多种智能体角色，并分为三个关键阶段：专家分配、多轮会诊、总结输出与演化。

智能体角色设定

框架内置了两类智能体角色：

1. 专家医生智能体 (S):包含多个医学专科领域的角色，如全科内科医生、普外科医生、儿科医生、妇产科医生、放射科医生、神经科医生、病理科医生和药剂师。这些智能体直接参与会诊讨论，提供各自领域的专业意见。
2. 辅助智能体 (A):包括初级保健医生（分诊）、主导医生、思维链审查员、安全与伦理审查员。这些角色不直接参与会诊内容的讨论，而是承担流程管理、信息整合、质量控制和知识管理等关键支撑功能。

这种角色设定旨在覆盖广泛的医学场景，模拟真实MDT中不同专业背景医生的协作。所有角色的行为都通过精心设计的提示模板（Prompt Templates）进行引导。

框架工作流程

MDTeamGPT的整体工作流程可以概括为以下三个主要阶段：

1. 安排专家医生 (Arranging Specialist Doctors, 图2A):当“患者”智能体携带个人背景信息 (C) 和医疗问题 (Q) 进入系统时，首先由“初级保健医生”智能体进行初步评估。基于患者的具体情况，该智能体选择最相关的专家医生智能体参与后续会诊，并给出选择理由。这一步骤旨在确保会诊团队的专业构成与患者需求相匹配，避免无关专家干扰，提高会诊效率。
2. 多轮会诊 (Multi-Round Consultations, 图2B):选定的专家医生智能体进入多轮讨论环节。在每一轮讨论中，专家们根据现有信息（包括初始问题和前几轮的讨论摘要）提出自己的观点和诊疗建议。为了有效管理讨论过程并降低模型的认知负担，框架引入了“主导医生”智能体和“残差讨论结构”（Residual Discussion Structure）。主导医生负责在每轮结束后，将所有专家的发言整理归纳为四个维度：一致性（Consistency）、冲突性（Conflict）、独立性（Independence）和整合性（Integration）。这些结构化的信息被存入“历史共享池”（Historical Shared Pool）。残差讨论结构则限制了智能体在后续轮次中能访问的历史信息范围（通常是最近一到两轮的总结），以聚焦当前讨论重点，减少冗余信息干扰。讨论持续进行，直到所有专家达成共识，或达到预设的最大讨论轮数。
3. 总结输出与演化 (Summary and Output Stage & Evolution, 图2C):会诊结束后，最终的结论首先由“安全与伦理审查员”进行审核，过滤潜在的风险和不道德内容，确保输出结果的安全可靠。随后，会诊结果的正确性会被验证。根据验证结果，“思维链审查员”（Chain-of-Thought Reviewer）将本次会诊的经验（包括问题、背景、讨论过程、结论以及错误反思）进行结构化处理，并分别存入两个知识库：“正确答案知识库”（CorrectKB）和“思维链知识库”（ChainKB）。这两个知识库构成了框架的“记忆”，用于在未来的会诊中提供参考，并通过检索相似案例来增强智能体的提示，从而实现框架的自我学习和进化。

下面将对每个阶段的关键技术机制进行更深入的解析。

关键技术机制：专家分配 (图2A)

在MDTeamGPT框架的第一阶段，核心任务是根据患者的具体情况，智能地组建一个合适的专家会诊团队。这一职责由“初级保健医生”智能体承担。

当接收到患者的背景信息 (C) 和医疗问题 (Q) 后，初级保健医生智能体被要求执行以下操作：

1. 分析病情:理解患者的主诉、症状、体征、病史等关键信息。
2. 推理选择理由:基于对病情的分析，判断哪些专科领域与当前病例最相关。需要明确说明选择每个专家的理由，以及预期该专家在诊断和治疗中可能扮演的角色和贡献。
3. 选择专家组合:从预定义的专家医生角色池 (S) 中选择一个子集 (Roles)。研究中设定了放射科医生、病理科医生和药剂师为某些场景下的强制角色，其他角色则根据具体情况动态选择。
4. 格式化输出:按照预设的格式输出选择理由和最终选定的专家角色列表。

为了确保初级保健医生智能体能够准确、结构化地完成任务，研究者采用了“少样本学习”（Few-shot Learning）的方法来配置该智能体。即在给初级保健医生的提示中，包含了一些实际的输入问题和对应的理想输出（包括选择理由和专家列表）作为示例。这有助于引导模型理解任务要求，并按照期望的格式生成输出。

例如，对于一个描述新生儿喂养困难、呕吐（黄色呕吐物）、腹部轻微膨胀的案例，初级保健医生可能会选择儿科医生（评估婴儿整体健康）、普外科医生（评估是否存在胃肠道梗阻等外科问题）、放射科医生（进行影像学检查）和病理科医生（协助诊断病理变化），并给出相应的选择理由。

这一阶段的设计目标明确：通过智能分诊，确保后续的多轮会诊聚焦于最相关的专业知识，避免因引入过多无关专家而导致信息冗余和讨论效率低下，为后续的高效、精准会诊奠定基础。

关键技术机制：多轮会诊与信息聚合 (图2B, 图3, 算法1)

多轮会诊是MDTeamGPT框架的核心交互环节，旨在模拟真实MDT讨论的协作过程，并通过创新的机制优化信息流和决策过程。

首轮讨论 (Round 1)

1. 独立观点陈述:经过初级保健医生筛选出的专家医生智能体，各自独立地根据患者的初始信息 (C, Q) 形成自己的初步诊断意见和治疗建议 (S₁,k)，包括选择一个选项ID（如果问题是选择题形式）和相应的文本内容。在此阶段，专家之间不能互相看到对方的发言，以保证初始观点的独立性。
2. 主导医生介入:所有专家的首轮发言被汇总提交给“主导医生”智能体。
3. 信息结构化处理:主导医生的核心任务是将杂乱的、可能包含重复、矛盾或独特观点的发言，进行结构化处理。具体来说，它会将信息归纳为四个维度：

一致性 (Consistency):聚合多个专家发言中达成共识的部分。

冲突性 (Conflict):识别并列出不同专家意见之间的矛盾点。如果所有专家意见一致，则此项为空。

独立性 (Independence):提取某个专家提出的、其他专家未提及的独特观点或信息。如果没有独特观点，则此项为空。

整合性 (Integration):将所有专家的观点进行综合，形成一个包含所有视角的、结构化的摘要。

4. 存入历史共享池:经过主导医生处理后的结构化信息，被标记为 S₁⁴，并存储到“历史共享池”(H) 中，作为后续讨论的基础。

后续轮次讨论 (Round 2 及以后)

1. 引入残差讨论结构 (Residual Discussion Structure, 图3):这是MDTeamGPT的一个关键创新。与让智能体访问所有历史对话不同，该结构限制了智能体可参考的信息范围：

• 在第二轮 (Round 2) 讨论中，每个专家智能体可以访问并参考存储在H中的第一轮结构化总结 S₁⁴。基于这些信息和原始问题，专家们再次提出自己的观点 S₂,k。
• 从第三轮 (Round i+1, i≥2) 开始，专家智能体可以访问并参考H中存储的前两轮（第 i 轮和第 i-1 轮）的结构化总结 Sᵢ⁴ 和 Sᵢ₋₁⁴。它们整合这两轮的讨论精华，进一步完善自己的观点 Sᵢ₊₁,k。

2. 主导医生持续工作:在每一轮结束后，主导医生都会重复信息结构化处理的工作，将当轮所有专家的发言 (Sᵢ₊₁) 处理成 Sᵢ₊₁⁴，并存入H中。
3. 残差结构的目的:这种设计有多重优势：

• 降低认知负荷:限制了需要处理的历史信息量，减轻了LLM的上下文理解压力。
• 提高讨论效率:聚焦于最近的讨论进展和分歧点，避免在冗长的历史信息中迷失。
• 减少信息污染:通过主导医生的结构化总结，过滤了噪音和冗余信息。
• 缓解从众效应/集体幻觉:限制对早期或较远历史信息的访问，有助于智能体保持一定的独立思考，减少被其他智能体过度影响的可能性。

共识达成机制

1. 持续讨论:多轮讨论一直进行，直到所有参与的专家医生智能体就最终答案（例如，选择题选项ID）达成一致。
2. 最大轮数限制:为了控制讨论的时间和成本，设定了一个最大讨论轮数（例如，10轮）。
3. 无共识处理:如果在达到最大轮数时仍未达成共识，则采用“多数原则”决定最终答案。即选择被最多专家选中的选项。
4. 平票处理:如果出现票数相等的情况（例如，两个选项各有半数专家支持），则从这些并列的选项中随机选择一个作为最终答案。

整个多轮会诊的过程由算法1（Algorithm 1）进行了形式化描述。通过主导医生的信息聚合和残差讨论结构，MDTeamGPT旨在实现一个既能充分利用集体智慧，又能保持高效、聚焦和相对鲁棒的MDT模拟过程。

关键技术机制：总结输出、知识库构建与自演化 (图2C, 算法2)

会诊讨论结束后，MDTeamGPT进入总结输出和自我演化阶段，这是框架实现持续学习和能力提升的关键。

安全与伦理审查

在形成最终的会诊结论 (C) 后（无论是通过共识还是多数原则得出），该结论首先会被提交给“安全与伦理审查员”智能体。该智能体的职责是：

1. 审查内容:仔细检查结论中是否包含任何可能对患者有害、不安全或不符合医学伦理的建议。例如，对于孕妇使用可能致畸的药物，或提出不当的治疗方案等。
2. 过滤风险:识别并移除任何有害或不当的内容。
3. 精炼确认:在过滤风险后，对结论进行必要的调整和确认，确保最终输出 (R) 是安全、合乎伦理且专业的。

这一步骤是医疗应用中至关重要的质量控制环节，旨在最大限度地降低AI系统提供不当建议的风险。

基于结果反馈的知识库构建

最终的安全结论 (R) 会与该问题的标准答案（Ground Truth）进行比对，以判断本次会诊的正确性。根据比对结果，“思维链审查员”（Chain-of-Thought Reviewer）智能体执行不同的知识存储流程：

1. 如果结论正确 (Valid(R) is True):

• 信息提取:思维链审查员提取患者的背景信息 (B)、医疗问题 (Q) 以及最后一轮讨论的结构化总结 S_final⁴（包含一致性、冲突性、独立性和整合性信息）。
• 存储至CorrectKB:将提取的信息以结构化格式（JSON）存入“正确答案知识库”（CorrectKB）。存储格式大致为：​​{"Question": <...>, "Answer": <...>, "Summary of Sfinal": <...>}​​。这记录了一次成功的、经过验证的诊疗推理过程的最终阶段总结。

2. 如果结论错误 (Valid(R) is False):

• 初始假设（基于早期讨论）
• 分析过程（讨论如何演变）
• 最终结论（错误的结论）
• 错误反思（分析错误原因，如错误的假设、逻辑缺陷、忽略关键信息等）
• 信息提取与反思:思维链审查员不仅提取患者背景 (B) 和问题 (Q)，还需要分析整个讨论过程（从 S₁⁴ 到 S_final⁴）以理解错误是如何发生的。它需要生成一份包含以下要素的摘要：
• 存储至ChainKB:将包含问题、正确答案、初始假设、分析过程、错误结论和错误反思的完整摘要，以结构化格式存入“思维链知识库”（ChainKB）。存储格式大致为：​​{"Question": <...>, "Correct Answer": <...>, "Initial Hypothesis": <...>, "Analysis Process": <...>, "Final Conclusion": <...>, "Error Reflection": <...>}​​。这记录了一次失败的诊疗过程及其反思，是宝贵的学习材料。

知识库的应用与自演化

CorrectKB和ChainKB共同构成了MDTeamGPT的“经验记忆”。当一个新的会诊请求（包含患者背景 B' 和问题 Q'）到来时，框架利用这两个知识库进行自我优化：

1. 相似案例检索:使用文本嵌入模型（研究中使用了OpenAI的 'text-embedding-3-small'）将新请求的 B' 和 Q' 转换为向量，并在CorrectKB和ChainKB中进行向量相似度检索（基于余弦相似度）。检索出最相似的 K 个历史案例（研究中 K=5）。
2. 提示增强 (Prompt Enhancement):将检索到的 K 个相似案例（包括成功案例的总结和失败案例的反思）整合到发送给专家医生智能体的提示 (P) 中。这为智能体提供了相关的历史经验作为参考。
3. 应用时机:为了保护专家在首轮的独立思考，增强后的提示 P' 并不会在第一轮讨论中使用。它主要在第二轮及以后的讨论中被引入，尤其是在专家意见出现分歧（即主导医生报告了“冲突性”信息）时，历史经验可以帮助引导讨论。如果在第一轮就达成了共识，增强提示也可能在讨论结束后被用于反思性检查。

通过“讨论 -> 反馈 -> 存储 -> 检索 -> 应用”的闭环，MDTeamGPT能够不断地从过去的成功和失败中学习。CorrectKB积累了有效的诊疗模式，而ChainKB则通过记录和反思错误，帮助系统避免重蹈覆辙。这种机制使得框架能够随着处理案例数量的增加而不断“进化”，提高其诊断的准确性和合理性。整个总结输出与演化过程由算法2（Algorithm 2）进行了描述。

实验设计与数据集

为了验证MDTeamGPT框架的有效性，研究者进行了一系列实验。

数据集选择

实验主要使用了两个公开的医学问答数据集：

1. MedQA:该数据集包含美国执业医师资格考试（USMLE）风格的问题。每个问题通常有四个或五个选项，旨在评估医学知识和临床实践技能。这是一个典型的多项选择题数据集。
2. PubMedQA:该数据集基于生物医学研究论文摘要构建。问题通常要求回答“是”、“否”或“可能”，旨在评估自然语言处理模型在理解学术文献和回答研究性问题方面的能力。

这两个数据集代表了不同类型和风格的医学问答任务，有助于全面评估框架的性能和泛化能力。

实验设置

• 知识库构建:在主要实验中，研究者使用每个数据集的训练集进行了600轮模拟会诊，并将产生的经验分别存入了对应数据集的CorrectKB和ChainKB中。选择600轮是在考虑性能提升和计算成本之间的权衡后确定的。
• 评估指标:主要评估指标为准确率（Accuracy）和F1分数（F1-score），这两个指标常用于评估分类和问答任务的性能。此外，还进行了人工评估（详见附录B.3）。
• 基线模型:实验中使用的核心大型语言模型是​​gpt-4-turbo​​​。为了进行比较，也评估了其他几种LLM（如​​gpt-3.5-turbo​​​,​​gpt-40​​​,​​LLaMA3-8B​​​,​​LLaMA3-70B​​​,​​glm-4-plus​​​,​​deepseek-v3​​）在MDTeamGPT框架下的表现，以及这些模型作为单智能体（Single-Agent）的基线性能。
• 对比方法:将MDTeamGPT的性能与以下方法进行了比较：

Single-Agent:直接使用基础LLM（如​​gpt-4-turbo​​）回答问题。

Single-Agent (w/) CoT:在单智能体提示中加入“Let's think step by step”引导其进行链式思考。

Single-Agent (w/) ReAct:采用简化的ReAct风格提示，包含“思考”、“行动（选择）”和“观察（反思）”步骤。

Medprompt:一种针对医学领域优化的提示技术。

Multi-expert Prompting:一种利用多个专家视角进行提示的方法。

LLM Discussion:一种促进LLMs之间进行结构化讨论的框架。

MedAgents:一个基于LLM的多智能体医疗推理框架。

• 测试集评估:所有的最终性能结果均在各自数据集的测试集上报告，确保知识库中不包含测试集的信息，以评估模型的泛化能力。

实验结果分析与讨论

实验结果从多个维度验证了MDTeamGPT框架的性能和特点。

主要性能结果 (表1)

在MedQA和PubMedQA数据集上，使用 ​​gpt-4-turbo​​ 作为基础模型的MDTeamGPT取得了显著的性能。

• MedQA:准确率达到 90.1%，F1分数为 88.4%。
• PubMedQA:准确率达到 83.9%，F1分数为 82.6%。

与各种基线和现有方法相比：

• MDTeamGPT显著优于各种单智能体基线（Single-Agent, w/ CoT, w/ ReAct）。
• 在MedQA上，准确率略低于Medprompt（90.2%），但这可能是因为Medprompt的评估仅限于四选项场景。而在PubMedQA上，MDTeamGPT（83.9%）优于Medprompt（75.8%）。在两个数据集的平均准确率上，MDTeamGPT（87.0%）也高于Medprompt（86.1%）。
• MDTeamGPT的表现优于Multi-expert Prompting、LLM Discussion和MedAgents等其他多智能体或增强提示方法。

这些结果表明，MDTeamGPT框架能够有效提升LLM在医学问答任务上的表现，达到了当前领先水平。

消融研究 (表2)

为了探究框架中各个关键组件的贡献，研究者进行了消融实验，即逐步移除或添加某些模块来观察性能变化。

• 基线（无策略讨论）:设定了一个所有智能体自由讨论直至共识或超时的基线。
• 残差讨论结构的作用:单独引入残差讨论结构时，结果好坏参半，平均准确率甚至略有下降。这表明仅限制信息访问范围可能不足以提升性能，甚至可能丢失有用信息。
• 主导医生的作用:单独引入主导医生进行信息整合时，平均准确率略有提升。这说明结构化的信息总结本身是有益的。
• 残差结构 + 主导医生的协同效应:当同时使用残差讨论结构和主导医生时，性能得到了显著提升（相比基线，MedQA提升5.8%，PubMedQA提升3.6%）。这证明了这两个模块之间存在强大的协同作用，结构化总结与有限信息访问相结合，才能最好地平衡信息利用和认知负荷。
• 知识库的作用:

仅使用CorrectKB（存储正确经验）相比仅使用ChainKB（存储错误反思）能带来更高的准确率提升。这符合直觉，因为成功的经验通常更直接地指导未来的决策。

然而，同时使用CorrectKB和ChainKB取得了最佳性能，优于单独使用任何一个知识库。这证实了研究者的假设：整合成功的经验和对失败的反思，能够最大程度地提升系统的咨询准确性。从错误中学习对于完善决策至关重要。

消融研究清晰地揭示了MDTeamGPT框架中各项创新设计的价值及其相互作用。

自演化能力验证 (图4)

实验测试了多种不同的LLM作为MDTeamGPT框架的核心时，其性能随知识库中积累的会诊案例数量增加而变化的情况。

• 普遍提升:如图4(A)和4(B)所示，对于所有测试的LLM（包括gpt系列、LLaMA3系列、glm-4-plus、deepseek-v3），在MedQA和PubMedQA两个数据集上的测试准确率都随着会诊案例（0到900例）的增加而提升，并在大约600例后趋于稳定或增速放缓。这直观地展示了框架的自演化能力：通过不断积累经验（存储在CorrectKB和ChainKB中），框架的性能得以持续改进。
• 不同模型的学习曲线:一个有趣的现象是，基础能力相对较弱的LLM（如LLaMA3-8B）在早期积累经验时，性能提升的斜率（速度）比基础能力更强的模型（如gpt-4-turbo, gpt-40）更快。这可能意味着，对于知识储备或推理能力稍弱的模型，MDTeamGPT提供的结构化经验学习机制能够带来更显著的边际效益。

框架跨模型有效性 (图5)

为了评估MDTeamGPT框架是否对各种不同的LLM都有效，实验比较了使用MDTeamGPT（包含600轮经验的知识库）与仅使用单智能体基线时，各个LLM的准确率提升情况。

• 如图5(A)和5(B)所示，对于所有测试的LLM，在两个数据集上，使用MDTeamGPT框架后的准确率均高于对应的单智能体基线。
• 这表明MDTeamGPT框架具有良好的普适性，能够为不同能力水平和架构的LLM带来性能增益。尽管提升幅度可能因模型本身的静态知识和指令遵循能力而异，但框架的有效性得到了广泛验证。

知识库泛化能力测试 (表3)

为了检验通过MDTeamGPT构建的知识库（CorrectKB和ChainKB）存储的是否仅仅是特定案例的记忆，还是可迁移的推理能力，研究者进行了跨数据集泛化实验。

• 实验设置:使用一个数据集（如MedQA）的训练集构建知识库（600轮经验），然后在另一个数据集（如PubMedQA）的测试集上进行评估，反之亦然。使用​​gpt-4-turbo​​ 作为骨干模型。
• 结果:

• 使用PubMedQA构建的知识库在MedQA测试集上测试时，相比完全不用知识库的基线（Vanilla），准确率提升了3.6%。
• 使用MedQA构建的知识库在PubMedQA测试集上测试时，相比基线，准确率提升了2.1%。

• 结论:即使知识库的经验完全来自于一个不同的数据集（问题风格、任务类型可能不同），它仍然能够对另一个数据集上的任务性能产生积极影响。这有力地证明了知识库中存储的不仅仅是孤立的问答对或案例事实，更重要的是封装了可迁移的“反思性推理”和“思维过程”——即从经验中抽象出来的认知策略和推理模式。CorrectKB和ChainKB成功地捕捉并迁移了通用的推理能力，使得MDTeamGPT框架能够在不同场景下表现出良好的泛化性。

人工评估 (附录 B.3, 图7)

除了自动化指标，研究者还邀请了5位具有临床医学背景的志愿者（其中2位有执业医师资格）对MDTeamGPT（基于gpt-4-turbo）在10个随机选取的测试问题上的表现进行了主观评估。评估维度包括准确性、可解释性、完整性、合理性、多样性、效率、一致性、用户体验、安全性和创新性（评分范围0-4）。

• 优势:在准确性、可解释性、合理性、一致性、用户体验、安全性和创新性等多个维度上，MDTeamGPT获得了较高的平均分（均超过3分），表明其输出结果在专业性、可靠性和易用性方面得到了认可。
• 待改进:

“效率”得分相对较低（平均2.2分），这主要是因为多智能体、多轮讨论的模式相比单智能体响应需要更长的时间。

“多样性”得分也低于3分（平均2.8分），这可能与实验中将LLM的Temperature参数设置为0.7（旨在平衡确定性和随机性）有关，适当调高此参数可能增加输出的多样性。

“完整性”得分为3分，部分志愿者反馈认为某些回答可以考虑得更全面。

• 总体评价:尽管存在效率和多样性方面的提升空间，人工评估结果总体上肯定了MDTeamGPT在模拟MDT会诊方面的潜力，认为其在实际医疗应用中具有潜在价值。

综合来看，各项实验结果有力地支持了MDTeamGPT框架设计的有效性。它不仅在标准测试集上取得了优异的性能，还展现了良好的自演化能力、跨模型适用性和知识泛化能力，并通过了初步的人工评估验证。

结论与未来展望

研究者成功提出并验证了一个名为MDTeamGPT的新型多智能体框架，专门用于模拟和优化多学科团队（MDT）医疗咨询过程。该框架通过引入一系列创新机制，有效应对了现有基于LLM的医疗咨询方法所面临的挑战。

核心贡献与优势:

1. 高效的信息管理:通过引入“主导医生”角色对讨论内容进行实时结构化（一致性、冲突性、独立性、整合性），并结合“残差讨论结构”限制历史信息访问范围，有效降低了LLM的认知负担，减少了信息冗余，提高了多轮讨论的效率和聚焦性。
2. 鲁棒的共识机制:结合了多轮讨论和共识聚合策略，能够在专家意见不一时促进达成一致，并在无法达成共识时提供明确的决策规则（多数原则）。
3. 创新的自演化学习:设计了CorrectKB（正确答案知识库）和ChainKB（思维链知识库）双知识库系统。通过“思维链审查员”在每次会诊后基于结果反馈进行经验存储（成功经验总结与失败案例反思），并在新会诊中检索相似案例以增强提示，实现了框架的自我学习和持续进化。
4. 优异的性能与泛化:实验结果表明，MDTeamGPT在MedQA和PubMedQA等标准医学问答数据集上取得了领先的准确率和F1分数。更重要的是，它展现了良好的跨模型适用性、随经验积累的自演化能力以及跨数据集的知识泛化能力，证明了其学习到的不仅仅是案例本身，更是可迁移的推理模式。
5. 安全性考量:框架中特别设置了“安全与伦理审查员”角色，对最终输出进行把关，提高了在医疗这一高风险领域应用的可靠性。

局限性与未来方向:

尽管MDTeamGPT取得了令人鼓舞的成果，研究者也坦诚地指出了其存在的局限性以及未来的研究方向：

1. 智能体复杂性:当前框架中的智能体定义相对简单。未来可以通过引入更高级的推理技术（如思维树，Tree-of-Thought）或集成外部工具（如知识库查询、计算器等）来进一步增强单个智能体的能力，从而提升整个系统的推理深度和广度。
2. 数据局限性:实验仅使用了两个公开数据集。为了更全面地验证框架的鲁棒性和泛化能力，未来需要在更广泛、更多样化的医疗数据集上进行测试。
3. 真实世界验证:目前的研究主要基于现有数据集进行模拟实验。未来的关键一步是将MDTeamGPT应用于真实的临床场景，收集真实世界的MDT会诊数据进行测试和评估。这将有助于检验框架在实际操作中的性能、可用性及其在复杂现实环境中的泛化能力。
4. 基础模型依赖:框架的整体性能在很大程度上仍然依赖于其核心所使用的LLM的基础能力。虽然框架本身提供了有效的协作和学习机制，但基础模型的进步将直接影响框架性能的天花板。

总结:

MDTeamGPT代表了利用大型语言模型和多智能体系统改进复杂医疗决策过程的一次重要探索。它通过精心设计的协作流程、信息管理机制和自演化学习闭环，为构建更智能、更可靠、可持续改进的AI辅助MDT咨询系统提供了一个富有前景的框架。虽然仍有提升空间，但其展现出的潜力预示着人工智能将在未来医疗保健领域，特别是在辅助复杂临床决策方面，扮演越来越重要的角色。

参考论文： arXiv:2503.13856v1 [cs.AI] 18 Mar 2025

本文转载自​​上堵吟​​，作者：一路到底的孟子敬