引言：多學科協作醫療咨詢的挑戰與機遇

在現代醫學實踐中，面對日益復雜的疾病，單一專科的視角往往難以滿足患者全面、精準的診療需求。多學科團隊（Multi-Disciplinary Team, MDT）診療模式應運而生，通過系統性地整合不同醫學領域的專業知識，旨在制定更準確、更全面的治療策略，從而改善患者預后。MDT模式的核心價值在于其能夠匯聚跨學科的智慧，克服單一專科可能存在的局限性，為患者提供最佳的個體化診療方案。

然而，傳統的MDT會診模式在實踐中面臨諸多挑戰。組織跨學科專家進行會診需要耗費大量的時間和人力資源。同時，會診過程容易受到流程疏忽、認知偏見以及溝通效率低下等因素的影響。這些系統性的挑戰不僅可能影響醫療服務的質量，甚至可能對患者的治療結果產生不利影響。

近年來，大型語言模型（Large Language Models, LLMs）取得了顯著進展。這些模型憑借其龐大的參數規模和在海量、多樣化知識庫上的訓練，展現出強大的推理能力和零樣本泛化能力。這為利用LLMs改進傳統MDT會診模式提供了新的可能性。將LLMs作為自主智能體（Agent）應用于醫療咨詢，有望輔助人類醫生，提高會診效率和質量。

盡管前景廣闊，但將LLMs應用于MDT診斷仍面臨嚴峻挑戰。首先，醫療數據的隱私性要求極高，且缺乏標準化的存儲方式，導致可用于監督式微調（Supervised Fine-Tuning, SFT）的高質量MDT會診數據極為稀缺。其次，即使經過醫學知識微調，LLMs仍普遍存在“幻覺”（Hallucination）問題，即生成不準確或虛假信息。在醫療這一高風險領域，即便是微小的錯誤也可能導致嚴重的醫療事故。

雖然基于LLMs的多智能體系統通過模擬多輪互動，能夠激發模型潛在的醫學知識，增強推理能力，并在一定程度上減少幻覺的發生，但現有研究仍存在一些局限性。多角色之間的交互往往導致對話歷史過長，隨著上下文信息的累積，模型的認知負擔加重，影響響應效率和準確性。此外，一些方法僅僅簡單存儲診療歷史，未能有效提取成功的經驗或反思失敗的教訓，限制了知識的泛化能力和系統的自我進化潛力。

為了應對上述挑戰，南京大學、南洋理工的研究團隊在論文《MDTeamGPT: A Self-Evolving LLM-based Multi-Agent Framework for Multi-Disciplinary Team Medical Consultation》提出了MDTeamGPT，一個基于LLM的自演化多智能體框架，專門用于模擬和優化MDT醫療咨詢過程。該框架旨在通過創新的機制解決長對話歷史、認知負擔、經驗利用不足以及泛化能力受限等問題，探索構建更高效、更可靠的AI輔助醫療咨詢系統。

現有方法的局限性與MDTeamGPT的提出背景

在探索使用LLMs進行MDT醫療咨詢的過程中，研究人員嘗試了多種策略，包括角色扮演、任務分解、模擬臨床環境以及積累醫療經驗等。例如，MedAgents通過為每個LLM智能體分配不同的醫生角色，并采用共識投票機制進行決策。然而，這種方法缺乏穩健的討論策略，可能導致“集體幻覺”的風險，即多個智能體共同產生錯誤的結論。此外，許多現有方法依賴于靜態的結構，其能力受限于LLM本身的零樣本推理水平，難以通過經驗積累實現持續改進。

經驗利用是提升智能體能力的關鍵。受人類知識獲取機制的啟發，為LLM智能體配備反思性記憶被認為可以增強其解決問題的能力。一些研究工作如ExpeL、Co-Learning、IER和Selfevolve探索了不同的經驗積累和應用方式。例如，ExpeL從過去的成功案例中積累經驗，并在推理時應用這些知識；Co-Learning則側重于收集由先前行動驅動的經驗啟發式方法，使智能體能更靈活地處理新任務；IER允許智能體在任務執行過程中迭代地完善積累的經驗；Selfevolve利用LLM同時作為知識提供者和自我反思的程序員，使智能體通過反思過程進行進化。Agent Hospital則利用病歷庫和經驗數據庫積累診斷數據，以增強醫療智能體的提示并支持其演進。

然而，這些方法在經驗利用方面仍存在不足。它們往往缺乏對錯誤案例的抽象、總結和反思機制，導致無法充分利用失敗教訓中蘊含的寶貴信息。簡單地存儲歷史記錄而不進行有效整合和反思，可能在處理具體細節時引入偏見。

有效的討論和信息聚合機制對于多智能體系統的性能至關重要。名義群體技術（Nominal Group Technique, NGT）是一種結構化的決策方法，通過個人構思、輪流分享、集中討論和投票四個階段，引導團隊從個體想法走向集體共識。基于此原則，LLM Discussion通過將對話劃分為啟動、討論和收斂階段，促進多個智能體之間的迭代和發散性交流，以增強LLMs的創造潛力。

盡管現有方法在特定方面取得了一定進展，但在模擬真實MDT會診場景，特別是解決長對話歷史帶來的認知負擔、有效利用正反兩方面經驗以及實現系統自演化和知識泛化方面，仍存在明顯的改進空間。MDTeamGPT正是在這樣的背景下被提出，它試圖通過整合多項創新機制，克服現有方法的局限性，提供一個更全面、更高效、能夠自我完善的MDT醫療咨詢框架。

MDTeamGPT框架詳解 (圖2)

MDTeamGPT框架的核心是模擬一個結構化的、協作式的、且能夠自我學習和改進的MDT會診流程。該框架包含多種智能體角色，并分為三個關鍵階段：專家分配、多輪會診、總結輸出與演化。

智能體角色設定

框架內置了兩類智能體角色：

1. 專家醫生智能體 (S):包含多個醫學專科領域的角色，如全科內科醫生、普外科醫生、兒科醫生、婦產科醫生、放射科醫生、神經科醫生、病理科醫生和藥劑師。這些智能體直接參與會診討論，提供各自領域的專業意見。
2. 輔助智能體 (A):包括初級保健醫生（分診）、主導醫生、思維鏈審查員、安全與倫理審查員。這些角色不直接參與會診內容的討論，而是承擔流程管理、信息整合、質量控制和知識管理等關鍵支撐功能。

這種角色設定旨在覆蓋廣泛的醫學場景，模擬真實MDT中不同專業背景醫生的協作。所有角色的行為都通過精心設計的提示模板（Prompt Templates）進行引導。

框架工作流程

MDTeamGPT的整體工作流程可以概括為以下三個主要階段：

1. 安排專家醫生 (Arranging Specialist Doctors, 圖2A):當“患者”智能體攜帶個人背景信息 (C) 和醫療問題 (Q) 進入系統時，首先由“初級保健醫生”智能體進行初步評估。基于患者的具體情況，該智能體選擇最相關的專家醫生智能體參與后續會診，并給出選擇理由。這一步驟旨在確保會診團隊的專業構成與患者需求相匹配，避免無關專家干擾，提高會診效率。
2. 多輪會診 (Multi-Round Consultations, 圖2B):選定的專家醫生智能體進入多輪討論環節。在每一輪討論中，專家們根據現有信息（包括初始問題和前幾輪的討論摘要）提出自己的觀點和診療建議。為了有效管理討論過程并降低模型的認知負擔，框架引入了“主導醫生”智能體和“殘差討論結構”（Residual Discussion Structure）。主導醫生負責在每輪結束后，將所有專家的發言整理歸納為四個維度：一致性（Consistency）、沖突性（Conflict）、獨立性（Independence）和整合性（Integration）。這些結構化的信息被存入“歷史共享池”（Historical Shared Pool）。殘差討論結構則限制了智能體在后續輪次中能訪問的歷史信息范圍（通常是最近一到兩輪的總結），以聚焦當前討論重點，減少冗余信息干擾。討論持續進行，直到所有專家達成共識，或達到預設的最大討論輪數。
3. 總結輸出與演化 (Summary and Output Stage & Evolution, 圖2C):會診結束后，最終的結論首先由“安全與倫理審查員”進行審核，過濾潛在的風險和不道德內容，確保輸出結果的安全可靠。隨后，會診結果的正確性會被驗證。根據驗證結果，“思維鏈審查員”（Chain-of-Thought Reviewer）將本次會診的經驗（包括問題、背景、討論過程、結論以及錯誤反思）進行結構化處理，并分別存入兩個知識庫：“正確答案知識庫”（CorrectKB）和“思維鏈知識庫”（ChainKB）。這兩個知識庫構成了框架的“記憶”，用于在未來的會診中提供參考，并通過檢索相似案例來增強智能體的提示，從而實現框架的自我學習和進化。

下面將對每個階段的關鍵技術機制進行更深入的解析。

關鍵技術機制：專家分配 (圖2A)

在MDTeamGPT框架的第一階段，核心任務是根據患者的具體情況，智能地組建一個合適的專家會診團隊。這一職責由“初級保健醫生”智能體承擔。

當接收到患者的背景信息 (C) 和醫療問題 (Q) 后，初級保健醫生智能體被要求執行以下操作：

1. 分析病情:理解患者的主訴、癥狀、體征、病史等關鍵信息。
2. 推理選擇理由:基于對病情的分析，判斷哪些專科領域與當前病例最相關。需要明確說明選擇每個專家的理由，以及預期該專家在診斷和治療中可能扮演的角色和貢獻。
3. 選擇專家組合:從預定義的專家醫生角色池 (S) 中選擇一個子集 (Roles)。研究中設定了放射科醫生、病理科醫生和藥劑師為某些場景下的強制角色，其他角色則根據具體情況動態選擇。
4. 格式化輸出:按照預設的格式輸出選擇理由和最終選定的專家角色列表。

為了確保初級保健醫生智能體能夠準確、結構化地完成任務，研究者采用了“少樣本學習”（Few-shot Learning）的方法來配置該智能體。即在給初級保健醫生的提示中，包含了一些實際的輸入問題和對應的理想輸出（包括選擇理由和專家列表）作為示例。這有助于引導模型理解任務要求，并按照期望的格式生成輸出。

例如，對于一個描述新生兒喂養困難、嘔吐（黃色嘔吐物）、腹部輕微膨脹的案例，初級保健醫生可能會選擇兒科醫生（評估嬰兒整體健康）、普外科醫生（評估是否存在胃腸道梗阻等外科問題）、放射科醫生（進行影像學檢查）和病理科醫生（協助診斷病理變化），并給出相應的選擇理由。

這一階段的設計目標明確：通過智能分診，確保后續的多輪會診聚焦于最相關的專業知識，避免因引入過多無關專家而導致信息冗余和討論效率低下，為后續的高效、精準會診奠定基礎。

關鍵技術機制：多輪會診與信息聚合 (圖2B, 圖3, 算法1)

多輪會診是MDTeamGPT框架的核心交互環節，旨在模擬真實MDT討論的協作過程，并通過創新的機制優化信息流和決策過程。

首輪討論 (Round 1)

1. 獨立觀點陳述:經過初級保健醫生篩選出的專家醫生智能體，各自獨立地根據患者的初始信息 (C, Q) 形成自己的初步診斷意見和治療建議 (S?,k)，包括選擇一個選項ID（如果問題是選擇題形式）和相應的文本內容。在此階段，專家之間不能互相看到對方的發言，以保證初始觀點的獨立性。
2. 主導醫生介入:所有專家的首輪發言被匯總提交給“主導醫生”智能體。
3. 信息結構化處理:主導醫生的核心任務是將雜亂的、可能包含重復、矛盾或獨特觀點的發言，進行結構化處理。具體來說，它會將信息歸納為四個維度：

一致性 (Consistency):聚合多個專家發言中達成共識的部分。

沖突性 (Conflict):識別并列出不同專家意見之間的矛盾點。如果所有專家意見一致，則此項為空。

獨立性 (Independence):提取某個專家提出的、其他專家未提及的獨特觀點或信息。如果沒有獨特觀點，則此項為空。

整合性 (Integration):將所有專家的觀點進行綜合，形成一個包含所有視角的、結構化的摘要。

4. 存入歷史共享池:經過主導醫生處理后的結構化信息，被標記為 S??，并存儲到“歷史共享池”(H) 中，作為后續討論的基礎。

后續輪次討論 (Round 2 及以后)

1. 引入殘差討論結構 (Residual Discussion Structure, 圖3):這是MDTeamGPT的一個關鍵創新。與讓智能體訪問所有歷史對話不同，該結構限制了智能體可參考的信息范圍：

• 在第二輪 (Round 2) 討論中，每個專家智能體可以訪問并參考存儲在H中的第一輪結構化總結 S??。基于這些信息和原始問題，專家們再次提出自己的觀點 S?,k。
• 從第三輪 (Round i+1, i≥2) 開始，專家智能體可以訪問并參考H中存儲的前兩輪（第 i 輪和第 i-1 輪）的結構化總結 S?? 和 S????。它們整合這兩輪的討論精華，進一步完善自己的觀點 S???,k。

2. 主導醫生持續工作:在每一輪結束后，主導醫生都會重復信息結構化處理的工作，將當輪所有專家的發言 (S???) 處理成 S????，并存入H中。
3. 殘差結構的目的:這種設計有多重優勢：

• 降低認知負荷:限制了需要處理的歷史信息量，減輕了LLM的上下文理解壓力。
• 提高討論效率:聚焦于最近的討論進展和分歧點，避免在冗長的歷史信息中迷失。
• 減少信息污染:通過主導醫生的結構化總結，過濾了噪音和冗余信息。
• 緩解從眾效應/集體幻覺:限制對早期或較遠歷史信息的訪問，有助于智能體保持一定的獨立思考，減少被其他智能體過度影響的可能性。

共識達成機制

1. 持續討論:多輪討論一直進行，直到所有參與的專家醫生智能體就最終答案（例如，選擇題選項ID）達成一致。
2. 最大輪數限制:為了控制討論的時間和成本，設定了一個最大討論輪數（例如，10輪）。
3. 無共識處理:如果在達到最大輪數時仍未達成共識，則采用“多數原則”決定最終答案。即選擇被最多專家選中的選項。
4. 平票處理:如果出現票數相等的情況（例如，兩個選項各有半數專家支持），則從這些并列的選項中隨機選擇一個作為最終答案。

整個多輪會診的過程由算法1（Algorithm 1）進行了形式化描述。通過主導醫生的信息聚合和殘差討論結構，MDTeamGPT旨在實現一個既能充分利用集體智慧，又能保持高效、聚焦和相對魯棒的MDT模擬過程。

關鍵技術機制：總結輸出、知識庫構建與自演化 (圖2C, 算法2)

會診討論結束后，MDTeamGPT進入總結輸出和自我演化階段，這是框架實現持續學習和能力提升的關鍵。

安全與倫理審查

在形成最終的會診結論 (C) 后（無論是通過共識還是多數原則得出），該結論首先會被提交給“安全與倫理審查員”智能體。該智能體的職責是：

1. 審查內容:仔細檢查結論中是否包含任何可能對患者有害、不安全或不符合醫學倫理的建議。例如，對于孕婦使用可能致畸的藥物，或提出不當的治療方案等。
2. 過濾風險:識別并移除任何有害或不當的內容。
3. 精煉確認:在過濾風險后，對結論進行必要的調整和確認，確保最終輸出 (R) 是安全、合乎倫理且專業的。

這一步驟是醫療應用中至關重要的質量控制環節，旨在最大限度地降低AI系統提供不當建議的風險。

基于結果反饋的知識庫構建

最終的安全結論 (R) 會與該問題的標準答案（Ground Truth）進行比對，以判斷本次會診的正確性。根據比對結果，“思維鏈審查員”（Chain-of-Thought Reviewer）智能體執行不同的知識存儲流程：

1. 如果結論正確 (Valid(R) is True):

• 信息提取:思維鏈審查員提取患者的背景信息 (B)、醫療問題 (Q) 以及最后一輪討論的結構化總結 S_final?（包含一致性、沖突性、獨立性和整合性信息）。
• 存儲至CorrectKB:將提取的信息以結構化格式（JSON）存入“正確答案知識庫”（CorrectKB）。存儲格式大致為：??{"Question": <...>, "Answer": <...>, "Summary of Sfinal": <...>}??。這記錄了一次成功的、經過驗證的診療推理過程的最終階段總結。

2. 如果結論錯誤 (Valid(R) is False):

• 初始假設（基于早期討論）
• 分析過程（討論如何演變）
• 最終結論（錯誤的結論）
• 錯誤反思（分析錯誤原因，如錯誤的假設、邏輯缺陷、忽略關鍵信息等）
• 信息提取與反思:思維鏈審查員不僅提取患者背景 (B) 和問題 (Q)，還需要分析整個討論過程（從 S?? 到 S_final?）以理解錯誤是如何發生的。它需要生成一份包含以下要素的摘要：
• 存儲至ChainKB:將包含問題、正確答案、初始假設、分析過程、錯誤結論和錯誤反思的完整摘要，以結構化格式存入“思維鏈知識庫”（ChainKB）。存儲格式大致為：??{"Question": <...>, "Correct Answer": <...>, "Initial Hypothesis": <...>, "Analysis Process": <...>, "Final Conclusion": <...>, "Error Reflection": <...>}??。這記錄了一次失敗的診療過程及其反思，是寶貴的學習材料。

知識庫的應用與自演化

CorrectKB和ChainKB共同構成了MDTeamGPT的“經驗記憶”。當一個新的會診請求（包含患者背景 B' 和問題 Q'）到來時，框架利用這兩個知識庫進行自我優化：

1. 相似案例檢索:使用文本嵌入模型（研究中使用了OpenAI的 'text-embedding-3-small'）將新請求的 B' 和 Q' 轉換為向量，并在CorrectKB和ChainKB中進行向量相似度檢索（基于余弦相似度）。檢索出最相似的 K 個歷史案例（研究中 K=5）。
2. 提示增強 (Prompt Enhancement):將檢索到的 K 個相似案例（包括成功案例的總結和失敗案例的反思）整合到發送給專家醫生智能體的提示 (P) 中。這為智能體提供了相關的歷史經驗作為參考。
3. 應用時機:為了保護專家在首輪的獨立思考，增強后的提示 P' 并不會在第一輪討論中使用。它主要在第二輪及以后的討論中被引入，尤其是在專家意見出現分歧（即主導醫生報告了“沖突性”信息）時，歷史經驗可以幫助引導討論。如果在第一輪就達成了共識，增強提示也可能在討論結束后被用于反思性檢查。

通過“討論 -> 反饋 -> 存儲 -> 檢索 -> 應用”的閉環，MDTeamGPT能夠不斷地從過去的成功和失敗中學習。CorrectKB積累了有效的診療模式，而ChainKB則通過記錄和反思錯誤，幫助系統避免重蹈覆轍。這種機制使得框架能夠隨著處理案例數量的增加而不斷“進化”，提高其診斷的準確性和合理性。整個總結輸出與演化過程由算法2（Algorithm 2）進行了描述。

實驗設計與數據集

為了驗證MDTeamGPT框架的有效性，研究者進行了一系列實驗。

數據集選擇

實驗主要使用了兩個公開的醫學問答數據集：

1. MedQA:該數據集包含美國執業醫師資格考試（USMLE）風格的問題。每個問題通常有四個或五個選項，旨在評估醫學知識和臨床實踐技能。這是一個典型的多項選擇題數據集。
2. PubMedQA:該數據集基于生物醫學研究論文摘要構建。問題通常要求回答“是”、“否”或“可能”，旨在評估自然語言處理模型在理解學術文獻和回答研究性問題方面的能力。

這兩個數據集代表了不同類型和風格的醫學問答任務，有助于全面評估框架的性能和泛化能力。

實驗設置

• 知識庫構建:在主要實驗中，研究者使用每個數據集的訓練集進行了600輪模擬會診，并將產生的經驗分別存入了對應數據集的CorrectKB和ChainKB中。選擇600輪是在考慮性能提升和計算成本之間的權衡后確定的。
• 評估指標:主要評估指標為準確率（Accuracy）和F1分數（F1-score），這兩個指標常用于評估分類和問答任務的性能。此外，還進行了人工評估（詳見附錄B.3）。
• 基線模型:實驗中使用的核心大型語言模型是??gpt-4-turbo???。為了進行比較，也評估了其他幾種LLM（如??gpt-3.5-turbo???,??gpt-40???,??LLaMA3-8B???,??LLaMA3-70B???,??glm-4-plus???,??deepseek-v3??）在MDTeamGPT框架下的表現，以及這些模型作為單智能體（Single-Agent）的基線性能。
• 對比方法:將MDTeamGPT的性能與以下方法進行了比較：

Single-Agent:直接使用基礎LLM（如??gpt-4-turbo??）回答問題。

Single-Agent (w/) CoT:在單智能體提示中加入“Let's think step by step”引導其進行鏈式思考。

Single-Agent (w/) ReAct:采用簡化的ReAct風格提示，包含“思考”、“行動（選擇）”和“觀察（反思）”步驟。

Medprompt:一種針對醫學領域優化的提示技術。

Multi-expert Prompting:一種利用多個專家視角進行提示的方法。

LLM Discussion:一種促進LLMs之間進行結構化討論的框架。

MedAgents:一個基于LLM的多智能體醫療推理框架。

• 測試集評估:所有的最終性能結果均在各自數據集的測試集上報告，確保知識庫中不包含測試集的信息，以評估模型的泛化能力。

實驗結果分析與討論

實驗結果從多個維度驗證了MDTeamGPT框架的性能和特點。

主要性能結果 (表1)

在MedQA和PubMedQA數據集上，使用 ??gpt-4-turbo?? 作為基礎模型的MDTeamGPT取得了顯著的性能。

• MedQA:準確率達到 90.1%，F1分數為 88.4%。
• PubMedQA:準確率達到 83.9%，F1分數為 82.6%。

與各種基線和現有方法相比：

• MDTeamGPT顯著優于各種單智能體基線（Single-Agent, w/ CoT, w/ ReAct）。
• 在MedQA上，準確率略低于Medprompt（90.2%），但這可能是因為Medprompt的評估僅限于四選項場景。而在PubMedQA上，MDTeamGPT（83.9%）優于Medprompt（75.8%）。在兩個數據集的平均準確率上，MDTeamGPT（87.0%）也高于Medprompt（86.1%）。
• MDTeamGPT的表現優于Multi-expert Prompting、LLM Discussion和MedAgents等其他多智能體或增強提示方法。

這些結果表明，MDTeamGPT框架能夠有效提升LLM在醫學問答任務上的表現，達到了當前領先水平。

消融研究 (表2)

為了探究框架中各個關鍵組件的貢獻，研究者進行了消融實驗，即逐步移除或添加某些模塊來觀察性能變化。

• 基線（無策略討論）:設定了一個所有智能體自由討論直至共識或超時的基線。
• 殘差討論結構的作用:單獨引入殘差討論結構時，結果好壞參半，平均準確率甚至略有下降。這表明僅限制信息訪問范圍可能不足以提升性能，甚至可能丟失有用信息。
• 主導醫生的作用:單獨引入主導醫生進行信息整合時，平均準確率略有提升。這說明結構化的信息總結本身是有益的。
• 殘差結構 + 主導醫生的協同效應:當同時使用殘差討論結構和主導醫生時，性能得到了顯著提升（相比基線，MedQA提升5.8%，PubMedQA提升3.6%）。這證明了這兩個模塊之間存在強大的協同作用，結構化總結與有限信息訪問相結合，才能最好地平衡信息利用和認知負荷。
• 知識庫的作用:

僅使用CorrectKB（存儲正確經驗）相比僅使用ChainKB（存儲錯誤反思）能帶來更高的準確率提升。這符合直覺，因為成功的經驗通常更直接地指導未來的決策。

然而，同時使用CorrectKB和ChainKB取得了最佳性能，優于單獨使用任何一個知識庫。這證實了研究者的假設：整合成功的經驗和對失敗的反思，能夠最大程度地提升系統的咨詢準確性。從錯誤中學習對于完善決策至關重要。

消融研究清晰地揭示了MDTeamGPT框架中各項創新設計的價值及其相互作用。

自演化能力驗證 (圖4)

實驗測試了多種不同的LLM作為MDTeamGPT框架的核心時，其性能隨知識庫中積累的會診案例數量增加而變化的情況。

• 普遍提升:如圖4(A)和4(B)所示，對于所有測試的LLM（包括gpt系列、LLaMA3系列、glm-4-plus、deepseek-v3），在MedQA和PubMedQA兩個數據集上的測試準確率都隨著會診案例（0到900例）的增加而提升，并在大約600例后趨于穩定或增速放緩。這直觀地展示了框架的自演化能力：通過不斷積累經驗（存儲在CorrectKB和ChainKB中），框架的性能得以持續改進。
• 不同模型的學習曲線:一個有趣的現象是，基礎能力相對較弱的LLM（如LLaMA3-8B）在早期積累經驗時，性能提升的斜率（速度）比基礎能力更強的模型（如gpt-4-turbo, gpt-40）更快。這可能意味著，對于知識儲備或推理能力稍弱的模型，MDTeamGPT提供的結構化經驗學習機制能夠帶來更顯著的邊際效益。

框架跨模型有效性 (圖5)

為了評估MDTeamGPT框架是否對各種不同的LLM都有效，實驗比較了使用MDTeamGPT（包含600輪經驗的知識庫）與僅使用單智能體基線時，各個LLM的準確率提升情況。

• 如圖5(A)和5(B)所示，對于所有測試的LLM，在兩個數據集上，使用MDTeamGPT框架后的準確率均高于對應的單智能體基線。
• 這表明MDTeamGPT框架具有良好的普適性，能夠為不同能力水平和架構的LLM帶來性能增益。盡管提升幅度可能因模型本身的靜態知識和指令遵循能力而異，但框架的有效性得到了廣泛驗證。

知識庫泛化能力測試 (表3)

為了檢驗通過MDTeamGPT構建的知識庫（CorrectKB和ChainKB）存儲的是否僅僅是特定案例的記憶，還是可遷移的推理能力，研究者進行了跨數據集泛化實驗。

• 實驗設置:使用一個數據集（如MedQA）的訓練集構建知識庫（600輪經驗），然后在另一個數據集（如PubMedQA）的測試集上進行評估，反之亦然。使用??gpt-4-turbo?? 作為骨干模型。
• 結果:

• 使用PubMedQA構建的知識庫在MedQA測試集上測試時，相比完全不用知識庫的基線（Vanilla），準確率提升了3.6%。
• 使用MedQA構建的知識庫在PubMedQA測試集上測試時，相比基線，準確率提升了2.1%。

• 結論:即使知識庫的經驗完全來自于一個不同的數據集（問題風格、任務類型可能不同），它仍然能夠對另一個數據集上的任務性能產生積極影響。這有力地證明了知識庫中存儲的不僅僅是孤立的問答對或案例事實，更重要的是封裝了可遷移的“反思性推理”和“思維過程”——即從經驗中抽象出來的認知策略和推理模式。CorrectKB和ChainKB成功地捕捉并遷移了通用的推理能力，使得MDTeamGPT框架能夠在不同場景下表現出良好的泛化性。

人工評估 (附錄 B.3, 圖7)

除了自動化指標，研究者還邀請了5位具有臨床醫學背景的志愿者（其中2位有執業醫師資格）對MDTeamGPT（基于gpt-4-turbo）在10個隨機選取的測試問題上的表現進行了主觀評估。評估維度包括準確性、可解釋性、完整性、合理性、多樣性、效率、一致性、用戶體驗、安全性和創新性（評分范圍0-4）。

• 優勢:在準確性、可解釋性、合理性、一致性、用戶體驗、安全性和創新性等多個維度上，MDTeamGPT獲得了較高的平均分（均超過3分），表明其輸出結果在專業性、可靠性和易用性方面得到了認可。
• 待改進:

“效率”得分相對較低（平均2.2分），這主要是因為多智能體、多輪討論的模式相比單智能體響應需要更長的時間。

“多樣性”得分也低于3分（平均2.8分），這可能與實驗中將LLM的Temperature參數設置為0.7（旨在平衡確定性和隨機性）有關，適當調高此參數可能增加輸出的多樣性。

“完整性”得分為3分，部分志愿者反饋認為某些回答可以考慮得更全面。

• 總體評價:盡管存在效率和多樣性方面的提升空間，人工評估結果總體上肯定了MDTeamGPT在模擬MDT會診方面的潛力，認為其在實際醫療應用中具有潛在價值。

綜合來看，各項實驗結果有力地支持了MDTeamGPT框架設計的有效性。它不僅在標準測試集上取得了優異的性能，還展現了良好的自演化能力、跨模型適用性和知識泛化能力，并通過了初步的人工評估驗證。

結論與未來展望

研究者成功提出并驗證了一個名為MDTeamGPT的新型多智能體框架，專門用于模擬和優化多學科團隊（MDT）醫療咨詢過程。該框架通過引入一系列創新機制，有效應對了現有基于LLM的醫療咨詢方法所面臨的挑戰。

核心貢獻與優勢:

1. 高效的信息管理:通過引入“主導醫生”角色對討論內容進行實時結構化（一致性、沖突性、獨立性、整合性），并結合“殘差討論結構”限制歷史信息訪問范圍，有效降低了LLM的認知負擔，減少了信息冗余，提高了多輪討論的效率和聚焦性。
2. 魯棒的共識機制:結合了多輪討論和共識聚合策略，能夠在專家意見不一時促進達成一致，并在無法達成共識時提供明確的決策規則（多數原則）。
3. 創新的自演化學習:設計了CorrectKB（正確答案知識庫）和ChainKB（思維鏈知識庫）雙知識庫系統。通過“思維鏈審查員”在每次會診后基于結果反饋進行經驗存儲（成功經驗總結與失敗案例反思），并在新會診中檢索相似案例以增強提示，實現了框架的自我學習和持續進化。
4. 優異的性能與泛化:實驗結果表明，MDTeamGPT在MedQA和PubMedQA等標準醫學問答數據集上取得了領先的準確率和F1分數。更重要的是，它展現了良好的跨模型適用性、隨經驗積累的自演化能力以及跨數據集的知識泛化能力，證明了其學習到的不僅僅是案例本身，更是可遷移的推理模式。
5. 安全性考量:框架中特別設置了“安全與倫理審查員”角色，對最終輸出進行把關，提高了在醫療這一高風險領域應用的可靠性。

局限性與未來方向:

盡管MDTeamGPT取得了令人鼓舞的成果，研究者也坦誠地指出了其存在的局限性以及未來的研究方向：

1. 智能體復雜性:當前框架中的智能體定義相對簡單。未來可以通過引入更高級的推理技術（如思維樹，Tree-of-Thought）或集成外部工具（如知識庫查詢、計算器等）來進一步增強單個智能體的能力，從而提升整個系統的推理深度和廣度。
2. 數據局限性:實驗僅使用了兩個公開數據集。為了更全面地驗證框架的魯棒性和泛化能力，未來需要在更廣泛、更多樣化的醫療數據集上進行測試。
3. 真實世界驗證:目前的研究主要基于現有數據集進行模擬實驗。未來的關鍵一步是將MDTeamGPT應用于真實的臨床場景，收集真實世界的MDT會診數據進行測試和評估。這將有助于檢驗框架在實際操作中的性能、可用性及其在復雜現實環境中的泛化能力。
4. 基礎模型依賴:框架的整體性能在很大程度上仍然依賴于其核心所使用的LLM的基礎能力。雖然框架本身提供了有效的協作和學習機制，但基礎模型的進步將直接影響框架性能的天花板。

總結:

MDTeamGPT代表了利用大型語言模型和多智能體系統改進復雜醫療決策過程的一次重要探索。它通過精心設計的協作流程、信息管理機制和自演化學習閉環，為構建更智能、更可靠、可持續改進的AI輔助MDT咨詢系統提供了一個富有前景的框架。雖然仍有提升空間，但其展現出的潛力預示著人工智能將在未來醫療保健領域，特別是在輔助復雜臨床決策方面，扮演越來越重要的角色。

參考論文： arXiv:2503.13856v1 [cs.AI] 18 Mar 2025

本文轉載自??上堵吟??，作者：一路到底的孟子敬