Learning to Be A Doctor: Searching for Effective Medical Agent Architectures

基于大规模语言模型（LLM）的智能体已经在广泛的任务中展现出强大的能力，其在医疗领域的应用尤其具有前景，因为该领域需要高度的泛化能力和跨学科知识的支持。然而，现有的医疗智能体系统通常依赖于静态、人工设计的工作流，缺乏足够的灵活性来满足多样化的诊断需求或适应新兴的临床场景。受自动机器学习（AutoML）成功的启发，本文提出了一种全新的框架，用于自动化设计医疗智能体架构。具体而言，我们定义了一个分层且表达力强的智能体搜索空间，该空间通过节点级、结构级和框架级的有组织修改，实现了动态工作流的适应性调整。我们的框架将医疗智能体概念化为一种基于图的架构，其中包含多种功能性节点类型，并支持由诊断反馈引导的迭代自我改进。在皮肤病诊断任务上的实验结果表明，所提出的方法能够有效演化工作流结构，并随着时间推移显著提升诊断准确性。这项研究是首个完全自动化的医疗智能体架构设计框架，为在真实临床环境中部署智能化代理提供了可扩展且灵活的基础。

论文试图解决医疗领域中现有基于大型语言模型（LLM）的智能代理系统缺乏灵活性的问题，这些系统通常依赖静态、手动设计的工作流，难以适应多样化的诊断需求和新兴临床场景。这是一个重要但尚未被充分探索的问题，尤其是在动态医疗环境中。

论文提出了一种受AutoML启发的全新框架，用于自动设计医疗代理架构。该框架通过定义一个分层且表达能力强的搜索空间，允许在节点、结构和框架级别进行动态工作流调整。此外，它将医疗代理建模为基于图的架构，并支持通过诊断反馈实现迭代自我改进。相比现有研究，这种方法首次实现了医疗代理架构的完全自动化设计，显著提高了诊断准确性。

实验表明，该方法能够随着时间的推移有效演化工作流结构，从而提升皮肤疾病诊断任务的性能。实验使用了特定的皮肤病数据集，但具体数据集名称未提及。论文没有明确提到代码是否开源，但其提出的框架具有高度可扩展性和适应性，适用于真实世界的临床环境。未来值得深入研究的方向包括将其应用于更多疾病类型以及结合多模态数据（如文本、图像等）进行诊断。

最近的相关研究包括：1) 基于LLM的医疗诊断模型开发；2) AutoML在其他领域的应用，例如神经网络架构搜索（NAS）；3) 图神经网络（GNN）在医疗数据建模中的应用。一些相关论文标题包括《Automated Machine Learning for Medical Diagnosis》、《Graph Neural Networks in Healthcare Applications》和《Large Language Models for Clinical Decision Support》。