KI-Teams im Einsatz: Dynamische LLM‑Kollaboration verbessert medizinische Entscheidungen

In einer neuen Studie wird ein innovatives Framework namens KAMAC vorgestellt, das große Sprachmodelle (LLMs) in einer dynamischen Multi‑Agenten‑Kollaboration zusammenführt. Ziel ist es, die Entscheidungsfindung im medizinischen Bereich zu optimieren, indem Expertenwissen aus verschiedenen Fachrichtungen flexibel und kontextabhängig integriert wird.

Der Ansatz beginnt mit einem oder mehreren spezialisierten Agenten, die anschließend ein wissensbasiertes Diskussionsverfahren durchführen. Dabei werden Wissenslücken identifiziert und gezielt weitere Fachagenten rekrutiert, um die Expertise zu erweitern. Diese adaptive Teambildung ermöglicht eine skalierbare und kontextgerechte Zusammenarbeit, die besonders bei komplexen klinischen Szenarien von Vorteil ist.

Durch Experimente an zwei realen medizinischen Benchmarks – unter anderem bei der Prognose von Krebserkrankungen – konnte gezeigt werden, dass KAMAC die Leistung von Einzelagenten und bereits fortgeschrittenen Multi‑Agenten‑Methoden deutlich übertrifft. Die Ergebnisse unterstreichen die Bedeutung einer dynamischen, wissensgetriebenen Zusammenarbeit für präzisere Diagnosen und Therapieentscheidungen.

Der Quellcode des Projekts ist öffentlich zugänglich und steht unter GitHub zur Verfügung.