MediHive: Dezentrales Agenten-Netzwerk verbessert medizinische Entscheidungsfindung

Die neuesten Fortschritte in der KI haben große Sprachmodelle (LLMs) zu einem wichtigen Werkzeug für medizinische Fragestellungen gemacht. Dennoch stoßen einzelne Agenten häufig an ihre Grenzen, wenn komplexe, interdisziplinäre Probleme mit Unsicherheit und widersprüchlichen Daten zu lösen sind. Multi-Agenten-Systeme (MAS) nutzen die kollektive Intelligenz mehrerer LLMs, doch zentrale Architekturen leiden unter Skalierbarkeitsengpässen, Single-Point-of-Failure-Risiken und Rollenverwirrung, besonders in ressourcenbeschränkten Umgebungen.

Um diese Schwächen zu überwinden, präsentiert das neue Projekt MediHive ein dezentrales Multi-Agenten-Framework, das speziell für medizinische Fragen entwickelt wurde. Das System verbindet einen gemeinsamen Speicherpool mit iterativen Fusionsmechanismen. Jeder Agent übernimmt eigenständig spezialisierte Rollen, führt erste Analysen durch, erkennt Divergenzen durch evidenzbasierte Debatten und fusioniert lokal die Erkenntnisse mehrerer Runden, um schließlich einen Konsens zu erzielen.

In experimentellen Tests übertrifft MediHive sowohl einzelne LLMs als auch zentrale Baselines auf den Datensätzen MedQA und PubMedQA. Die erreichten Genauigkeiten betragen 84,3 % bzw. 78,4 %. Damit demonstriert das System, dass dezentrale Agentenarchitekturen nicht nur robuster und skalierbarer sind, sondern auch in hochkomplexen medizinischen Entscheidungsprozessen eine überlegene Leistung erbringen.