EvoClinician: Selbstlernender Agent verbessert mehrstufige Diagnosen

In der aktuellen medizinischen KI-Forschung wird häufig ein „One‑Shot“-Modell verwendet, bei dem ein Algorithmus aus einem vollständigen Patientenbericht sofort eine Diagnose stellt. In der Praxis jedoch erfolgt die Diagnose in mehreren Schritten: Ärzte stellen Fragen, bestellen Tests und sammeln dabei gezielt Informationen, während sie Kosten und Zeit im Blick behalten.

Um diese Realität besser abzubilden, wurde das neue Benchmark‑Set Med‑Inquire entwickelt. Es basiert auf echten klinischen Fällen und simuliert den Diagnoseprozess, indem die vollständigen Patientendaten hinter speziellen „Patient“‑ und „Examination“-Agenten verborgen werden. Der Agent muss daher aktiv Fragen stellen und Tests anordnen, um die Informationen Stück für Stück zu gewinnen.

Als Antwort auf die Herausforderungen von Med‑Inquire präsentiert das Team den EvoClinician – einen selbstlernenden Agenten, der seine Diagnosestrategien während des Testzeitraums optimiert. Der Kern des Ansatzes ist ein Diagnose‑Grade‑Evolve‑Loop: Ein Actor‑Agent versucht zunächst eine Diagnose, ein Process‑Grader bewertet jede Aktion hinsichtlich klinischer Nutzen und Ressourceneffizienz, und ein Evolver nutzt dieses Feedback, um die Prompt‑ und Speicherstrategie des Actors zu verfeinern.

Experimentelle Ergebnisse zeigen, dass EvoClinician die Leistung von kontinuierlichen Lernbaselines sowie anderer selbstlernender Agenten, etwa Memory‑Agents, deutlich übertrifft. Der komplette Code ist öffentlich auf GitHub verfügbar.