论文提出LONGINUS，用检索与记忆多智能体裁决改进下次就诊诊断预测。
资讯摘要
论文指出，下次就诊诊断预测的常规聚合评估掩盖了其多维特性：诊断集合大小可变、标签长尾分布，且需区分持续、新增与复发诊断，这些又随病史深度变化。作者据此提出多维评估框架，并测试规则启发式、LLM提示、检索、记忆与多智能体方法，发现“重复上次就诊”在整体上优于多数LLM方法，但无法预测新增或复发诊断。为此论文提出LONGINUS，结合患者记录检索证据与结构化记忆，以跨视图一致性作为可靠性启发式进行裁决。
要点速读
- 论文提出按分布、时间与病史深度划分的评估框架，揭示聚合指标会掩盖模型在不同诊断类型上的差异。
- 实验显示“重复上次就诊”整体优于多数LLM方法，但完全不预测新增或复发诊断；检索与记忆方法各有不同优势。
- LONGINUS在MIMIC-III与MIMIC-IV、四种LLM骨干上，多数设置下取得LLM方法中最佳的转换特定表现，聚合指标亦具竞争力。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。