Differential Reasoning Learning schließt Logiklücken klinischer Agenten

Eine neue Methode namens Differential Reasoning Learning (DRL) verspricht, die Zuverlässigkeit von KI‑gestützten klinischen Entscheidungsunterstützungssystemen deutlich zu erhöhen. Durch das systematische Lernen aus Unstimmigkeiten in den Begründungen der Agenten kann DRL die Qualität der Entscheidungen verbessern.

DRL nutzt Referenzrationales – zum Beispiel von Ärzten verfasste Begründungen, klinische Leitlinien oder Ausgaben leistungsfähigerer Modelle – und vergleicht sie mit der freien „Chain‑of‑Thought“ (CoT) eines klinischen Agenten. Dabei werden beide Begründungen in gerichtete azyklische Graphen (DAGs) überführt. Ein graphenbasierter Edit‑Distance-Algorithmus, gewichtet nach klinischer Relevanz, identifiziert Diskrepanzen. Ein großes Sprachmodell fungiert als „Judge“, ordnet semantisch äquivalente Knoten zu und diagnostiziert die Unterschiede.

Die erkannten Diskrepanzen werden in natürliche Sprachanweisungen umgewandelt und in einer Differential Reasoning Knowledge Base (DR‑KB) gespeichert. Beim Einsatz des Agenten ruft das System die wichtigsten Anweisungen über Retrieval‑Augmented Generation (RAG) ab, erweitert damit den Prompt und schließt potenzielle Logiklücken. Dieser Ansatz ermöglicht es dem Agenten, seine eigenen Fehler zu erkennen und zu korrigieren.

In umfangreichen Tests auf offenen medizinischen Frage‑Antwort‑Benchmarks sowie einer internen Vorhersageaufgabe für Rückkehrpatienten zeigte DRL signifikante Verbesserungen in der Antwortgenauigkeit und der Begründungsqualität. Ablationsstudien bestätigten, dass sowohl die Einbindung von Referenzrationalen als auch die Retrieval‑Strategie entscheidend zum Erfolg beitragen. Eine klinische Bewertung der generierten Begründungen bestätigte die erhöhte Vertrauenswürdigkeit des Systems.

DRL bietet damit einen praktikablen Mechanismus, um komplexe klinische Entscheidungsprozesse transparenter und zuverlässiger zu gestalten. Die Methode legt den Grundstein für eine neue Generation von KI‑Assistenzsystemen, die nicht nur korrekte Antworten liefern, sondern auch nachvollziehbare, klinisch valide Begründungen bieten.