[论文解读] 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 9

一句话总结

KG4Diagnosis 提出一个分层多代理框架，将大语言模型（LLMs）与自动知识图谱构建相结合，以支持覆盖362种疾病的医疗诊断，具备端到端的知识图谱生成和人工引导的推理，以抑制幻觉。

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.

研究动机与目标

• 推动需要具备专业知识处理复杂医疗诊断的系统性框架。
• 开发用于医学知识的端到端知识图谱构建流程。
• 将两层 MAS（GP 代理和领域特定的顾问 LLMS）与LLMs整合，以实现强健的诊断推理。
• 通过多代理验证和知识图谱约束来解决LLM幻觉问题。
• 提供可扩展到新医学领域的模块化架构与实现指南。

提出的方法

• 提出一个两层架构，包含通科医生（GP）代理和领域特定的顾问LLMs，用于分层诊断。
• 实现三阶段知识图谱构建流程：数据分块、使用BioBERT及本体（SNOMED-CT/UMLS）的语义驱动实体/关系提取，以及通过LLM增强扩展的图构建。
• 引入人工引导的推理，通过专家评估和强化学习来验证和扩展KG。
• 用GP-LLM和Consultant-LLMs的概率性置信度函数对诊断推理进行建模，并通过带权重的代理融合计算最终诊断。
• 使用代理间通信协议传递查询并根据顾问反馈更新GP知识库。
• 用PyTorch实现神经组件的模块化架构，并用Neo4j进行KG管理。

实验结果

研究问题

• RQ1 分层多代理系统如何在提高诊断准确性的同时限制医疗AI中的幻觉？
• RQ2 能否利用从非结构化医疗数据构建的自动知识图谱提升跨多学科的LLM诊断？
• RQ3 哪些机制能够最好地将GP级分诊与领域特定顾问高效、准确地整合？
• RQ4 专家引导的KG扩展如何影响医学推理的一致性和可靠性？
• RQ5 在新增疾病和领域时，KG4Diagnosis的可扩展性与适应性如何？

主要发现

• 该框架通过多层验证和知识图谱约束来抑制幻觉，相较于独立LLMs提高了诊断可靠性。
• 覆盖跨多学科的362种疾病，展示了分层医疗诊断的实际应用范围。
• 以BioBERT为驱动的语义提取和本体对齐实现了KG构建中实体与关系的精确提取。
• LLM增强将KG扩展为超出领域特定提取的更广泛上下文实体与关系。
• 模块化架构支持无缝集成新领域和知识，并计划进行评估基准测试。
• GP代理高效分诊并与专家代理协作，潜在地减少不必要的全领域会诊。