在医疗科技飞速发展的今天，大语言模型（Large Language Models，LLMs）如同一颗璀璨的新星，逐渐在医学领域崭露头角。它凭借着庞大的医学数据库和先进的分析算法，在简单医疗任务中表现出色，比如回答医学知识疑问、诊断常见疾病等。然而，当面对复杂的临床场景，尤其是罕见病诊断时，LLMs 却仿佛遇到了 “高墙”，难以翻越。
罕见病，这些发病率极低的疾病，每 10 万人中仅有 5 - 76 例。由于其低患病率，相关的专业知识极度匮乏，这使得准确诊断变得异常困难，往往导致治疗延误。而且，罕见病的症状复杂多变，误诊、漏诊的情况屡见不鲜。就像在黑暗中摸索，医生们常常因为缺乏足够的线索而难以找到正确的诊断方向。此时，LLMs 本应成为有力的助手，却因为自身的局限性，在复杂的临床推理中显得力不从心。研究表明，LLMs 在诊断复杂病例时存在明显的局限性，其推理能力在面对实际临床场景时受到了质疑。此外，LLMs 的训练材料大多是问答格式，侧重于传授通用医学知识，对专业领域的训练不足，也未能充分融入实际临床实践。在罕见病领域，由于病例数量少、报告有限，构建一个全面的训练数据库更是难上加难。为了突破这一困境，四川大学华西医院等机构的研究人员踏上了探索之旅，开展了一项极具创新性的研究。他们受到临床多学科团队讨论模式的启发，开发了一种多智能体对话（Multi - Agent Conversation，MAC）框架，旨在提升疾病诊断能力。这项研究成果发表在《npj Digital Medicine》上，为医学领域带来了新的希望。在研究中，研究人员运用了多种关键技术方法。首先，他们从 Orphanet 数据库中选取了 302 种罕见病，通过归一化加权随机抽样的方式，确保样本的代表性。接着，从 Medline 数据库中获取临床病例报告，并经过严格筛选，提取出患者的详细信息。然后，基于 AutoGen 结构开发了 MAC 框架，以 GPT - 3.5 和 GPT - 4 作为基础模型进行研究。为了评估模型的性能，研究人员设计了初级会诊和随访会诊两种场景，分别测试模型在有限信息和完整信息下的诊断能力。研究结果令人欣喜。在疾病特定知识方面，GPT - 3.5、GPT - 4 和 MAC 在所有测试方面的平均得分均超过 4 分，这表明它们在知识储备上都有不错的表现。但在诊断能力上，MAC 则展现出了明显的优势。在初级会诊和随访会诊中，MAC 的诊断准确率和推荐进一步诊断测试的有效性都显著高于单模型 GPT - 3.5 和 GPT - 4。进一步分析发现，MAC 以 GPT - 4 为基础模型时表现更优，而且 4 个医生智能体的配置能达到最佳性能。同时，研究还发现主管智能体在框架中起着至关重要的作用，去除主管智能体会降低 MAC 的性能，而给医生智能体分配特定专业对性能提升并不明显。从可靠性分析来看，MAC 框架在多次重复测试中表现出了高度的一致性，这意味着它的诊断结果较为稳定可靠。在与其他方法的比较中，如思维链（Chain of Thoughts，CoT）、自我精炼（Self - Refine）和自洽性（Self - Consistency），MAC 在诊断性能上全面超越了它们，并且生成的输出令牌更多，这有助于更深入地探索推理路径，挖掘疾病的潜在病因。研究还对输出令牌对模型性能的影响进行了分析。结果发现，增加输出令牌数量对部分方法的性能有提升作用，但对于 Self - Refine、Self - Consistency 和 MAC 来说，这种提升存在一个阈值，超过阈值后增加输出令牌并不能带来更多的性能提升。而 CoT 则随着输出令牌数量的增加，性能持续提高。MAC 框架显著提升了 LLMs 在临床环境中的诊断能力，有效弥合了理论知识与实际临床应用之间的差距。虽然目前研究样本量相对较小，数据提取也存在一定的主观性，但它为未来的研究指明了方向。未来可以进一步扩大样本量，纳入更多类型的疾病，以更全面地验证和优化 MAC 框架的性能。同时，研究也强调了多智能体 LLMs 在医疗领域的巨大潜力，有望为医生在面对复杂病例时提供有价值的辅助诊断建议，成为医生的得力 “助手”，为全球医疗健康事业的发展注入新的活力。
