MedSyn：通过人机协作提升诊断能力-计算机科学-医疗决策制定-混合智能-临床自然语言处理.pdfVIP

MedSyn：通过人机协作提升诊断能力

∗12331

BurcuSayin,IpekBarisSchlicht,NgocVoHong,SaraAllievi,JacopoStaiano,

41

PasqualeMinervini,andAndreaPasserini

1UniversityofTrento,Italy

2UniversitatPolitècnicadeValència,Spain

3SantaChiaraHospital,Trento,Italy

4TheUniversityofEdinburgh,UK

本

译2025年7月19日

中

2

v

4摘要

7

7临床决策本质上是复杂的，常常受到认知偏差、信息不完整和案例模糊性的影响。大型语言模

4型（LLMs）作为支持临床决策的工具显示出潜力，然而它们通常的一次性或有限交互使用可能

1

.会忽略现实世界医疗实践中的复杂性。在这项工作中，我们提出了一种混合人机框架MedSyn，

6

0在这个框架中，医生和LLMs进行多步骤、互动对话以完善诊断和治疗决定。与静态决策支持工

5

2具不同，MedSyn能够实现动态交流，允许医生质疑LLM的建议而LLM则突出替代观点。通

:过模拟医生-LLM交互，我们评估开源LLM作为医生助手的潜力。结果显示，开源LLM在现实

v

i世界中作为医生助手是有前景的。未来的工作将涉及真实医生互动以进一步验证MedSyn在诊

x

r断准确性和患者结果中的实用性。

a

关键词：医疗决策制定，混合智能，临床自然语言处理，大语言模型代理

1介绍

在传统的临床实践中，医生的诊断和治疗计划可能会受到认知偏差、信息不完整或案例本身的

复杂性[29,33]的影响。此外，医生通常在一个时间敏感且高压的工作环境中工作（例如急诊部门），

其中的认知过载会增加误诊的风险。大型语言模型(LLMs)在最近的进展中为人工智能辅助医疗决

策提供了新的机会[9,18,19,39]。我们建议医生和LLM可以在多步骤交互场景中有效合作，其中

LLM的建议——无论准确与否——都可以作为更深入探究和反思的机会。因此，在这项工作中，我

们调查这种混合协作的人工智能系统允许医生发现潜在疏漏、识别被忽视的症状以及重新考虑治疗

选择的程度。与提供一次性推荐的静态系统不同，我们提出了一种基于实时互动不断演化的动态对

∗Correspondingauthor:burcu.sayin@unitn.it

1

话框架，确保医生保持对临床决策过程的控制。具体而言，我们探讨了医生和LLM在特定且敏感

话题上的合作：患者的诊断。例如，如果医生忽视了关键症状或建议次优治疗方案，LLM可以询问

针对患者的具体后续问题或推荐重新考虑诊断。相反，如果LLM提出了错误的诊断，医生可以批

判性地审查其推理过程，促使模型改进其建议。这种迭代交流提高了诊断准确性和治疗决策质量，

作为一种认知安全网，帮助医生在复杂和模糊的情况下减少错误风险。

这份工作论文介绍了我们在构建医学综合方面的初步努力，这是一个将大语言模型定位为临

床决策中对话伙伴的医疗协同框架。通过促进人与AI的合作，MedSyn旨在增强诊