CAMP：病例自適應多代理臨床預測

#multi-agent#clinical-ai#deliberationcampmimic-ivllm

💡自適應多代理高效超越臨床 LLM 基準—試用提升醫學 AI 效能。（38字）

⚡ 30-Second TL;DR

有什麼變化

主治醫師代理根據病例不確定性動態組裝專家小組

為什麼重要

提升 LLM 在複雜臨床病例的可靠性，透過投票與追蹤提供透明審計。降低 token 使用，提高醫療 AI 可擴展部署效率。

下一步行動

在您的臨床 LLM 管道中使用 MIMIC-IV 資料集實作 CAMP 路由邏輯。

誰應關注：Researchers & Academics

本篇為 AI 生成分析，非原文內容。

•CAMP 架構引入了『主治醫師代理』（Attending Agent）機制，該機制不僅負責組裝專家，還能根據臨床任務的複雜度動態調整專家小組的規模，從而優化計算資源的分配。
•該系統採用了基於論證的仲裁（Argument-based Arbitration）策略，這使得模型能夠在專家意見不一致時，根據各專家提供的臨床推理路徑（Reasoning Path）進行加權決策，而非僅依賴簡單的投票統計。
•研究顯示 CAMP 在處理 MIMIC-IV 資料集時，透過減少冗餘的專家參與，顯著降低了推理過程中的 Token 消耗，這對於臨床環境中對延遲敏感的即時決策支援系統至關重要。

📊 競品分析▸ Show

特性	CAMP	Med-PaLM 2	AutoGen (醫療場景)
專家組裝機制	動態病例自適應	單一模型/固定集成	靜態多代理協作
棄權機制	三值投票 (原則性棄權)	無 (強制輸出)	依賴提示詞工程
仲裁策略	混合路由器 (共識/論證)	無	簡單投票/順序執行
基準測試 (MIMIC-IV)	優於基準	基準參考	需自定義配置

架構組件：
- Attending Agent：負責評估輸入病例的診斷不確定性，並根據任務類型（如診斷、預後）調度特定領域的專家代理。
- Expert Pool：由針對不同臨床專科（如心臟科、腎臟科）微調的 LLM 實例組成。
- Hybrid Router：核心仲裁模組，結合了基於共識的投票機制與基於論證品質的評估，確保在專家意見分歧時能選擇最具臨床依據的輸出。
三值投票邏輯：
- KEEP：專家對診斷有高信心。
- REFUSE：專家識別出超出其專業範圍或數據不足，主動棄權以避免錯誤。
- NEUTRAL：專家無法提供確定性意見，交由仲裁層處理。
優化目標：透過減少不必要的專家參與（Token 節省），在保持診斷準確率的同時，降低了推理成本與延遲。

臨床決策支援系統將從單一模型轉向動態多代理架構。

CAMP 的成功證明了動態組裝專家代理在處理複雜、不確定性高的臨床數據時，比單一大型模型更具魯棒性與經濟效益。

基於論證的仲裁機制將成為醫療 AI 可解釋性的新標準。

透過要求代理提供論證並進行品質仲裁，系統能提供更透明的決策路徑，滿足醫療領域對可解釋性（Explainability）的嚴格要求。

2025-11

CAMP 研究初步成果於 ArXiv 發布，提出基於病例自適應的多代理臨床預測框架。

2026-02

CAMP 在 MIMIC-IV 基準測試中完成驗證，證實其在診斷與住院過程生成任務中超越現有 LLM 基準。

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #multi-agent

同產品

更多關於 camp

同來源

最新來自 ArXiv AI

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。