طراحی یک چارچوب چندعاملی هوشمند برای تشخیص و تصمیم سازی پزشکی با استفاده از مدل های زبانی بزرگ (LLM-based Medical Multi-Agent System)

در این پژوهش، یک معماری چندعامله هوشمند مبتنی بر مدل های زبانی بزرگ (LLMs) برای پشتیبانی از تشخیص و تصمیم سازی پزشکی پیشنهاد می شود. در این چارچوب، توان مدل های پیشرفته ای مانند Med-PaLM۲ و GPT-۴ با همکاری چند عامل تخصصی شامل عامل گفت وگوی بالینی، عامل تحلیل گر داده های پزشکی، عامل بازیابی دانش و عامل ناظر ترکیب می گردد تا استدلال بالینی تقویت و خطاهای ناشی از هذیان گویی مدل ها کنترل شود. پس از تبیین ضرورت استفاده از LLMها در پزشکی و محدودیت های رویکردهای موجود (با مرور آثاری نظیر Med-PaLM، BioGPT و چهارچوب های چندعاملی مانند AutoGen و LangGraph)، معماری پیشنهادی و پروتکل تعامل میان عامل ها تشریح می شود. ارزیابی شبیه سازی شده بر روی مجموعه ای از سناریوهای بالینی نشان می دهد که سیستم چندعامله پیشنهادی در مقایسه با یک مدل زبانی تک عامله (GPT-۴ منفرد) حدود ۱۰ درصد بهبود در دقت تشخیص بیماری و افزایش تطابق پیشنهادهای درمانی با راهنماهای بالینی داشته و نرخ خطاهای بحرانی (هذیان گویی مضر) را به طور معناداری کاهش می دهد. تحلیل نتایج نشان می دهد که تفکیک نقش ها و اعمال نظارت میان عامل ها می تواند قابلیت اطمینان سامانه های تشخیصی مبتنی بر LLM را ارتقاء دهد. در پایان، به کاربردهای بالقوه این معماری در محیط های بالینی واقعی و مسیرهای آینده پژوهش، از جمله ارزیابی بالینی گسترده تر و ادغام داده های چندوجهی مانند تصویربرداری پزشکی، اشاره می شود.

کلیدواژه ها:

سیستم چندعاملی پزشکی ، مدل های زبانی بزرگ (LLM) ، استدلال بالینی (Clinical Reasoning) ، تصمیم سازی پزشکی مبتنی بر شواهد ، ایمنی هوش مصنوعی در سلامت