A Structured Debate-Mixture-of-Agents Framework for Complex Clinical Diagnostic Decision Support
结构化辩论混合多智能体框架用于复杂临床诊断决策支持
🧭 多智能体结构化辩论诊断
College of Computer Science, Sichuan University · West China Hospital, Sichuan University
提出DMoA结构化辩论混合多智能体框架，提升复杂诊断准确率与安全率超10个百分点
📌 工作参考价值
- 结构化角色分工和辩论流程比单纯堆模型或拼接输出更有效，可用于电商搜索/推荐的 query 改写、商品推荐理由生成等场景，设计“生成-质疑-汇总”的 agent 链提升输出质量。
- 借鉴 4×2 的 MoA 结构：4 个提案 agent + 2 个评审/聚合 agent，在 token 预算允许时能稳定提升最终结果；业务落地时可先用小规模消融找到性价比最优的结构。
- 在最终输出前加入安全/合规评审 agent 进行辩论，可显著降低风险输出，适用于广告审核、违禁词过滤、客服应答等敏感场景。
- 提升并非来自更长输出或更多模型，说明结构化流程比增加推理长度更划算，Agent 系统设计应优先优化辩论/聚合逻辑而非盲目增加 token。
动机：LLM 单轮问答与真实临床诊断的迭代推理流程脱节，在复杂诊断场景中表现受限。
方法：提出 DMoA（Debate-Mixture-of-Agents），通过角色化多智能体结构化辩论实现迭代诊断推理；不同基座模型按角色参与辩论，聚合多模型观点形成最终诊断。
结果：在 297 例罕见病和 1719 例高难度病例上，DMoA 相对 GPT-4o 将最可能诊断准确率提升 10.21 个百分点、安全率提升 11.36 个百分点。消融显示提升并非仅来自更多模型或更长输出，结构化工作流有独立贡献；进一步分析发现 4×2 结构、更强基座模型和更大 token 预算能带来更好性能。