基于多智能体协同与结构化输出的大模型医疗问诊决策方法与流程

本发明涉及智慧医疗及人工智能，具体地说，涉及基于多智能体协同与结构化输出的大模型医疗问诊决策方法。

背景技术：

1、互联网医院与院前急救场景中，急性胸痛患者的快速分诊与精准问诊是临床急救的重要环节。急性胸痛可能指向急性心肌梗死、主动脉夹层、肺栓塞等致死性疾病，分诊的准确性与时效性直接影响患者的生存预后。在此场景下，医疗问诊决策系统承担着从患者主诉中提取关键临床信息、识别高危线索、辅助分诊决策的核心功能。

2、当前，医疗问诊决策的主流实现方式主要包括三类，其中：

3、第一类是基于结构化问卷的预问诊与分诊系统：此类系统通过预设的标准化问诊表单，引导患者逐项回答疼痛部位、疼痛性质、持续时间、伴随症状等问题，将患者的回答填入固定字段后生成结构化病历。例如，华西医院推出的ai预问诊功能通过对话界面向患者提问，采集症状信息后自动生成结构化病历。然而，急性胸痛患者往往处于疼痛或焦虑状态，难以逐项配合填写结构化问卷，更倾向于使用“胸口不舒服”“心里堵得慌”“喘不上气”等日常生活用语进行自然语言描述，此类系统难以有效处理这类非结构化的自由表述。

4、第二类是基于规则引擎的专家决策系统：此类系统将临床指南中的分诊规则编码为大量if-then规则，通过匹配患者输入的症状信息与规则库中的条件来输出分诊建议。例如，telemedquick系统集成了超过七万条临床规则，依据生命体征、症状、人口学信息及病史进行紧急分诊。此类系统的局限性在于规则库的覆盖范围受限于人工编码的完备性，对于临床指南未明确覆盖的症状组合或非典型表现缺乏处理能力，且无法从自由文本中自主提取结构化信息。

5、第三类是基于单一大型模型的智能分诊系统：随着大语言模型技术的发展，部分方案尝试利用单一大型模型对患者的自然语言描述进行端到端的语义理解与分诊决策。例如，triagemaster-70b模型仅使用患者叙述和生命体征进行急性冠脉综合征分诊；齐鲁医院发布的急性胸痛大模型整合自然语言处理与多模态数据融合技术，实现胸痛患者病历与影像数据的解析。然而，单一模型解析存在固有缺陷：自由主诉文本中涉及的疼痛部位、疼痛性质、高危疾病线索、非典型表现等不同类别的临床信息被混合编码在同一语义表示中，模型未被显式要求对不同维度的信息进行解耦和分别标注；单一模型无法量化各维度解析结果的可信程度，下游模块无从得知模型对某一解析结果的把握程度是高是低；此外，单一模型内部缺乏多视角交叉验证机制，容易在初始阶段遗漏或误判关键症状。

6、近年来，多智能体系统在医疗领域开始受到关注。部分方案通过构建多个专业智能体协作的诊疗网络，模拟临床多学科团队协作过程。例如，有研究构建了包含多个医生智能体的对话框架，通过智能体间的交互讨论提升诊断准确性。然而，现有医疗多智能体方案多聚焦于诊断环节的协作推理，尚未解决从非结构化自由主诉文本到结构化临床特征的可靠转化问题，也缺乏对解析结果不确定性的显式量化与跨智能体信息共享机制。

7、综上所述，现有医疗问诊决策系统在处理非结构化自然语言主诉时，面临信息提取不完整、多维度临床信息无法解耦、解析结果可信度无法量化、智能体之间缺乏有效协同等突出问题。因此，亟须一种能够从不确定的、非结构化的自然语言中安全提取多维度临床特征，并对各维度解析结果进行显式不确定性量化与智能体间协同验证的医疗问诊决策方法。

8、鉴于此，我们提出基于多智能体协同与结构化输出的大模型医疗问诊决策方法。

技术实现思路

1、本发明的目的在于解决上述背景技术中的问题。

2、为实现上述目的，本发明提供一种基于多智能体协同与结构化输出的大模型医疗问诊决策方法，包括：

3、步骤s1、训练共享编码模型，用以将获取的自由主诉文本编码为对应的语义嵌入向量；

4、步骤s2、构建主诉语义解析体、高危因素挖掘体和非典型症状探测体；

5、各智能体共享编码模型，通过各自预置的结构化提示模板将同一自由主诉文本对应的语义嵌入向量分别转化为用于跨智能体协同推理与风险量化评估的特征向量，并为特征向量赋予对应的置信度评分，作为不确定性标注；

6、步骤s3、利用高危因素挖掘体输出的低置信度高危线索生成风险增强向量，将风险增强向量注入非典型症状探测体的注意力机制以提升对关联非典型症状的检测灵敏度；

7、将非典型症状探测体的探测结果作为反馈修正信号，联合调整高危因素挖掘体的高危初步评估值；

8、完成双向联动修正后，将主诉语义解析体、高危因素挖掘体和非典型症状探测体交叉修正后的结构化特征和不确定性标注汇聚，构建全局不确定性图谱；

9、步骤s4、基于全局不确定性图谱，生成可直接向患者提问的自然语言文本。

10、与现有技术相比，本发明的有益效果：

11、该基于多智能体协同与结构化输出的大模型医疗问诊决策方法中，步骤s1通过训练共享编码模型，将模糊的自由主诉文本编码为统一的语义嵌入向量，使后续所有智能体在同一语义基础上进行解析，避免多个独立编码器之间因编码不一致产生的信息偏差，同时共享编码机制使各智能体无需各自训练独立的编码器，降低整体计算资源的开销；

12、在步骤s1的基础上，步骤s2构建主诉语义解析体、高危因素挖掘体和非典型症状探测体三个专业化智能体，各智能体共享同一语义嵌入向量并通过差异化的结构化提示模板分别执行症状属性解析、高危线索筛查和非典型症状探测，其中：

13、主诉语义解析体通过症状查询探针从语义嵌入向量中定向截取各症状属性的局部语义表征，将模糊的口语表述锚定到标准临床术语上，同时通过计算局部语义表征的信息集中度为每个解析结果赋予症状置信度，使下游处理环节能够区分高可信解析结果与低可信解析结果，高危因素挖掘体则在主诉语义解析体输出的第一特征向量的引导下，利用条件症状向量将已解析的明确症状信息及其可信程度融入风险线索匹配过程，避免在无导向条件下进行广谱风险搜索所导致的计算浪费和误报，非典型症状探测体进一步接收主诉语义解析体的第一特征向量和高危因素挖掘体的高危初步评估值，构造融合已确认症状信息与待验证高危假设的联合条件向量，将有限的注意力资源精准聚焦于与当前高危假设相关联的隐匿非典型症状维度；

14、步骤s3建立智能体间的双向联动闭环，一方面将高危因素挖掘体输出的低置信度高危线索转化为风险增强向量并注入非典型症状探测体的注意力机制，使非典型症状探测体在高危假设导向下提升对关联非典型症状的检测灵敏度，另一方面将非典型症状探测体的探测结果作为反馈修正信号回传至高危因素挖掘体，对初始高危评估结果的置信度进行印证增强或降低调整，从而在主诉语义解析体输出结构化症状信息的基础上，实现高危假设驱动下的隐匿线索定向探查与探查结果对初始假设的验证修正；最终步骤s4基于步骤s3构建的全局不确定性图谱，将全局不确定性图谱中显式标注的各临床语义维度的置信度缺失值作为追问优先级依据，从对应的领域知识图谱中检索与追问目标维度关联的预置知识条目作为追问素材，将追问素材填入预设的自然语言问句模板，通过一次槽位填充操作生成可直接向患者提问的自然语言文本，使每一轮追问均针对当前信息缺口最大、对降低患者总体临床风险贡献最高的临床语义维度，既避免盲目追问导致的问诊效率低下，又能够在信息缺口的边际安全收益不足以抵消延误代价时及时终止问诊，从而在有限问诊轮次内最大化信息增益并最小化临床风险。

15、除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。