KERAP: A Knowledge-Enhanced Reasoning Approach for Accurate Zero-shot Diagnosis Prediction

文章主要内容总结

本文提出了一种名为KERAP的知识增强推理方法，旨在利用多智能体大语言模型（LLMs）实现准确的零样本诊断预测。

• 研究背景：现有机器学习模型依赖监督训练，缺乏零样本预测能力（对未见过的病例无法预测），而LLMs虽在零样本诊断中显示潜力，但存在结构化医学推理能力不足、易产生“幻觉”（生成看似合理却不准确的预测）、预测结果可能有偏等问题。
• KERAP框架：通过多智能体架构整合知识图谱（KG）与LLMs，包含三个核心智能体：
  • 链接智能体（Linkage Agent）：将电子健康记录（EHR）中的医疗属性（如疾病、症状）与知识图谱中的实体精准映射，确保知识关联性；
  • 检索智能体（Retrieval Agent）：从知识图谱中提取并总结与目标疾病相关的知识，分为正向知识（如“症状X提示疾病Y”）和负向知识（如“症状X排除疾病Z”），减少幻觉并增强推理一致性；
  • 预测智能体（Prediction Agent）：整合患者数据与检索到的知识，通过多阶段推理迭代优化预测，输出“是/否”的诊断结果。
• 实验验证：在4个医疗数据集（如肺炎、慢性肾病等）上与直接提示、分步提示、医疗专用LLM（如HuatuoGPT）等基线方法对比，KERAP在准确率（