[論文レビュー] KG4Diagnosis: A Hierarchical Multi-Agent LLM Framework with Knowledge Graph Enhancement for Medical Diagnosis

Kaiwen Zuo, Yirui Jiang+2 more|arXiv (Cornell University)|Dec 22, 2024

Artificial Intelligence in Healthcare被引用数 9

ひとこと要約

KG4Diagnosisは、LLMsと自動知識グラフ構築を結びつけた階層型マルチエージェント枠組みを提示し、362疾病にわたる医療診断をサポート。エンドツーエンドのKG生成と人間主導の推論により幻覚を抑制。

ABSTRACT

Integrating Large Language Models (LLMs) in healthcare diagnosis demands systematic frameworks that can handle complex medical scenarios while maintaining specialized expertise. We present KG4Diagnosis, a novel hierarchical multi-agent framework that combines LLMs with automated knowledge graph construction, encompassing 362 common diseases across medical specialties. Our framework mirrors real-world medical systems through a two-tier architecture: a general practitioner (GP) agent for initial assessment and triage, coordinating with specialized agents for in-depth diagnosis in specific domains. The core innovation lies in our end-to-end knowledge graph generation methodology, incorporating: (1) semantic-driven entity and relation extraction optimized for medical terminology, (2) multi-dimensional decision relationship reconstruction from unstructured medical texts, and (3) human-guided reasoning for knowledge expansion. KG4Diagnosis serves as an extensible foundation for specialized medical diagnosis systems, with capabilities to incorporate new diseases and medical knowledge. The framework's modular design enables seamless integration of domain-specific enhancements, making it valuable for developing targeted medical diagnosis systems. We provide architectural guidelines and protocols to facilitate adoption across medical contexts.

研究の動機と目的

• 専門知識を有する体系的な医療診断の枠組みの必要性を動機づける。
• 医療知識のエンドツーエンドな知識グラフ構築パイプラインを開発する。
• 一般開業医(GP)エージェントと専⾨コンサルタントLLMの二層MASをLLMsと統合して堅牢な診断推論を実現する。
• マルチエージェント検証とKG制約を通じてLLM幻覚に対処する。
• 新しい医療領域へ適応するためのモジュール型アーキテクチャと実装ガイドラインを提供する。

提案手法

• 階層診断のための一般開業医(GP)エージェントとドメイン特化コンサルタントLLMを用いた二層アーキテクチャを提案する。
• データチャンク化、BioBERTとオントロジー(SNOMED-CT/UMLS)を用いた意味情報主導のエンティティ/リレーション抽出、LLM拡張によるグラフ構築という三段階の知識グラフ構築パイプラインを実装する。
• 専門家評価と強化学習を通じてKGを検証・拡張する人間主導の推論を取り入れる。
• GP-LLMとコンサルタント-LLMの確率的信頼関数で診断推論をモデル化し、エージェント融合と重み付けで最終診断を算出する。
• コンサルタントのフィードバックからGP知識ベースへクエリを転送・更新するエージェント間通信プロトコルを使用する。
• ニューラル部品のためにPyTorch、KG管理のNeo4jを用いたモジュラーアーキテクチャを実装する。

実験結果

リサーチクエスチョン

• RQ1 医療AIにおける幻覚を制限しつつ診断精度を向上させる階層型マルチエージェントシステムは実現可能か？
• RQ2 構造化されていない医療データから構築された自動知識グラフは、複数の専門分野にわたるLLMベースの診断を強化できるか？
• RQ3 GPレベルのトライアージとドメイン特化コンサルタントをどのように統合して、効率的で正確な診断を実現するか？
• RQ4 専門家主導のKG拡張は医療推論の一貫性と信頼性にどのような影響を与えるか？
• RQ5 新しい疾病とドメインを追加する際のKG4Diagnosisのスケーラビリティと適応性はどうか？

主な発見

• 多層検証とKG制約を通じて幻覚を抑制し、単独のLLMsより診断信頼性を向上させる。
• 362疾病を跨る複数の専門分野をカバーしており、階層的な医療診断の現実的な適用範囲を示している。
• BioBERTとオントロジー整合を用いた意味情報主導の抽出は、KG構築のための正確なエンティティとリレーション抽出を可能にする。
• LLM拡張は、ドメイン特定の抽出を超えた広範な文脈的エンティティと関係をKGに追加する。
• モジュラーアーキテクチャは新しいドメインと知識の統合を容易にし、評価のためのベンチマークが計画されている。
• GPエージェントは専門家エージェントと効率的にトリアージと連携し、不要な全領域診断を減らす可能性がある。