论文地址：https://arxiv.org/pdf/2405.02957v1

01

 摘要

本研究介绍了一个名为 “ Agent Hospital ” 的医疗模拟系统，该系统复现了疾病治疗的全流程。在这个系统中，患者、护士和医生均由先进的大型语言模型（LLM）支持，以实现自主操作。该系统的核心目标是训练医生代理掌握在模拟环境中治疗疾病的能力。为此，研究团队开发了一种创新的方法——MedAgent-Zero。由于该系统能够依据知识库和LLM模拟疾病的发生与演变，医生代理能够通过分析成功与失败的案例来积累临床经验。实验结果表明，医生代理在执行各种任务时的治疗技能得到了显著提升。这项研究为将LLM驱动的代理技术应用于医疗领域奠定了基础。

02

核心内容

HOSPITALSIMULACRUM（医院模拟）

• 环境构建：构建了一个模拟医院环境，涵盖了预检分诊、病患登记、专家会诊、医疗检查、病情诊断、药物配发、康复跟踪等关键医疗步骤，由模拟的患者和医生角色进行互动。
• 角色设定：包括医疗专家角色和普通患者角色。医疗专家角色专注于疾病的诊断和治疗方案的规划，而普通患者角色则在特定时刻决定是否前往医院接受治疗。
• 患者活动/互动：涉及疾病突发、预检分诊、病患登记、专家会诊、医疗检查、病情诊断、治疗建议和康复跟踪等八个核心环节。
• 医生活动：主要包括在医院内的实践操作和业余时间的学术学习。
• MedAgent-Zero方案：这是一种无需参数、无需标注数据的策略，由医学档案库和经验库构成。该策略利用历史医疗数据和经验积累，辅助医生角色在新的模拟环境中做出更精准的医疗决策。

03

总结

最后我们做出如下总结：

• MedAgent-Zero方法在提升医生智能体处理三项核心任务（病情检查、疾病诊断、治疗规划）的表现上取得了显著成效，其训练后的累积准确度持续提高。
• MedAgent-Zero方法通过模拟无标记的医疗案例，使得医生智能体能够在短时间内完成相当于实际医生数年经验的病例处理，展现了其高效率的特性。

• 结合医院模拟环境和MedAgent-Zero方法，医生智能体在模拟案例以及现实世界的评估中均显示出卓越的能力，这证实了社会模拟对于增强大型语言模型智能体在特定任务上的性能具有积极作用。