MedCoRAG: Durchsichtige Leberdiagnose mit kollaborativem Retrieval und Konsens
Die präzise und nachvollziehbare Diagnose von Lebererkrankungen ist von entscheidender Bedeutung, stellt jedoch in der Praxis weiterhin eine große Herausforderung dar. Viele KI‑Ansätze für die klinische Diagnostik fehlen Transparenz, strukturierte Argumentation und sind schwer in reale Abläufe zu integrieren.
Aktuelle Entwicklungen nutzen große Sprachmodelle, retrieval‑augmented generation (RAG) und Multi‑Agent‑Kollaboration. Diese Methoden greifen jedoch meist auf eine einzige Informationsquelle zurück und unterstützen keine iterativen, rollenspezifischen Diskussionen, die auf strukturierten klinischen Daten basieren.
MedCoRAG (Medical Collaborative RAG) ist ein ganzheitliches System, das diagnostische Hypothesen aus standardisierten abnormalen Befunden generiert und ein patientenspezifisches Evidenzpaket erstellt. Dabei werden gleichzeitig Pfade aus dem UMLS‑Wissensgraphen und klinische Leitlinien abgerufen und gefiltert. Anschließend führt ein Router‑Agent die Spezialisten‑Agenten je nach Komplexität des Falls zu, die iterativ über die Evidenz nachdenken und gezielte Re‑Retrievals auslösen. Ein Generalist‑Agent fasst schließlich alle Überlegungen zu einem nachvollziehbaren Konsensdiagnosebericht zusammen, der einer multidisziplinären Konsultation nachempfunden ist.
In Experimenten mit Lebererkrankungsfällen aus der MIMIC‑IV‑Datenbank hat MedCoRAG die Leistung bestehender Verfahren und geschlossener Modelle sowohl in der diagnostischen Genauigkeit als auch in der Interpretierbarkeit der Argumentation übertroffen.