Neues LLM-Framework reduziert Tests und steigert Diagnosegenauigkeit

In der klinischen Diagnostik ist die schrittweise Sammlung von Beweismitteln unter Unsicherheit entscheidend. Bisher gehen die meisten auf Large‑Language‑Modelle (LLM) basierenden Systeme davon aus, dass sämtliche Patientendaten bereits vorliegen, und modellieren daher nicht, wie diagnostische Informationen im Zeitverlauf gezielt erfasst werden sollten.

Selbst wenn die Diagnose als sequentieller Entscheidungsprozess formuliert wird, bleibt es schwierig, effektive diagnostische Pfade zu erlernen. Der Grund liegt in der enormen Vielfalt möglicher Beweissammlungswege und der geringen Verfügbarkeit expliziter Leitlinien für optimale Pfade in klinischen Datensätzen.

Um diesem Problem zu begegnen, stellen die Autoren das Latent Diagnostic Trajectory Learning (LDTL)-Framework vor. Es kombiniert einen Planungs‑LLM-Agenten mit einem diagnostischen LLM-Agenten. Der diagnostische Agent behandelt die Sequenzen von diagnostischen Aktionen als latente Pfade und führt eine Posteriorverteilung ein, die Pfade priorisiert, die mehr diagnostische Information liefern.

Der Planungsagent wird anschließend darauf trainiert, dieser Verteilung zu folgen. Dadurch entstehen zusammenhängende diagnostische Pfade, die die Unsicherheit schrittweise reduzieren. Auf dem MIMIC‑CDM-Benchmark übertrifft das LDTL-Framework bestehende Baselines in der diagnostischen Genauigkeit und benötigt dafür weniger diagnostische Tests.

Zusätzliche Ablationsstudien zeigen, dass die Ausrichtung der Posteriorverteilung auf Pfad‑Ebene entscheidend für die erzielten Verbesserungen ist. Das neue Framework eröffnet damit einen vielversprechenden Ansatz, um klinische Diagnosen effizienter und genauer zu gestalten.