跳到正文
原文

基于临床记录药物推荐的自进化双角色审议

Self-Evolving Dual-Role Deliberation for Medication Recommendation from Clinical Records

arXiv· arXiv:2611.18615· Jiyue Jiang, Yu Lei, Yitao Xu, Zikang Wang, Zhenyu Wang, Licheng Zong, Han Huang, Ziyi Li, Zhiyu Huo, Yuhan Chen, Jiayang Chen, Xiaodan Fan, Yu LiThe Chinese University of Hong Kong; Carnegie Mellon University; The Hong Kong Polytechnic University; Peking University Third Hospital本站收录· 2 天前· 原文发表工具· 扫描记录里的位置 →

论文速读

其他

据论文 PDF 整理(AI 生成),以原文为准

作者提出免训练智能体框架 SEMPA,用 Proposer-Critic 多轮辩论加策略进化做药物推荐,在 100 例 MIMIC-IV 上 DDI 率 0.0172,作者称优于最强监督基线。

问题
从电子病历推荐用药是安全关键任务,需要兼顾治疗覆盖、DDI 与禁忌约束和可追溯理由。作者认为监督模型部署后冻结、缺乏推理痕迹,现有 LLM 流程是单轮单角色、没有跨病例改进闭环。
方法
提出免训练框架 SEMPA:同一 LLM 扮演 Proposer 与 Critic 多轮对抗辩论,配合分子感知检索、按成功/失败池对比改写自然语言策略(带语义锚约束),最后经规则化 DDI 与禁忌检查组装处方。
实验与结果
在 100 例 MIMIC-IV 上,SEMPA 的 Jaccard 0.3116、F1 0.7295、DDI 率 0.0172,作者称 F1 比最强监督基线高 57.7%、DDI 低 77.5%;两个 LLM 评审均将其排第一,六种骨干下趋势一致。
局限与可以继续做的
作者指出:仅 100 例单中心 MIMIC-IV 数据,泛化未验证;LLM 调用带来更高延迟与成本;语义锚不能形式化验证进化后的策略;DDI 阈值与患者无关; episodic memory 可能积累偏差。临床应用前需前瞻性医生在环评估。
实验设置GLM-5、Claude-Sonnet-4.6 等 · MIMIC-IV · Jaccard、F1 等
被测模型
GLM-5Claude-Sonnet-4.6Gemini-2.5-ProDeepSeek-V4-FlashQwen-3.5-PlusQwen-3.5-FlashGPT-4.1
基准
MIMIC-IV
指标
JaccardF1PRAUCDDI rate#MedsR2
AI 导读SEMPA 是免训练智能体框架,让 Proposer 与 Critic 多轮对抗审议,辅以分子感知检索和规则式 DDI、禁忌症检查,从临床记录推荐药物。在 100 例 MIMIC-IV 就诊中,F1 达 0.7295、DDI 率 0.0172,较最强监督基线 F1 提升 57.7%、DDI 降低 77.5%。六种骨干模型实验表明收益来自框架而非特定模型。

SEMPA 是免训练智能体框架,让 Proposer 与 Critic 多轮对抗审议,辅以分子感知检索和规则式 DDI、禁忌症检查,从临床记录推荐药物。在 100 例 MIMIC-IV 就诊中,F1 达 0.7295、DDI 率 0.0172,较最强监督基线 F1 提升 57.7%、DDI 降低 77.5%。六种骨干模型实验表明收益来自框架而非特定模型。

深度解读

6个问题,点开问题读完整回答

  1. 这篇论文试图解决什么问题?

    作者把药物推荐重构为可自我进化的双角色辩论问题,提出免训练智能体框架 SEMPA。

    核心问题:如何从电子病历(EHR)自动推荐用药方案,同时满足治疗覆盖、安全约束、可追溯理由和持续适应性这四个相互冲突的要求。

    • 任务场景与重要性:重症监护患者常有多种并发诊断,需要覆盖所有活动诊断的多药方案,同时避免药物相互作用(DDI)、绝对禁忌和肾功能违规;用药实践随新证据演变,静态决策系统部署后会过时(§1)。
    • 现有方法不足(按作者说法):监督模型(LEAP、RETAIN、GAMENet、SafeDrug 等)部署后冻结、把开药当作无解释的多标签分类、缺乏分子层面依据、常在安全与覆盖之间取舍;现有 LLM 流程是单轮、单角色,没有第二意见、没有从成败经验学习的机制、没有显式 DDI 约束(§1)。
    • 核心观察:作者主张药物推荐应被建模为智能体式、可自我进化的辩论过程,而非一次性分类。
    • 论文提出:SEMPA——一个免训练框架,由 Proposer 与 Critic 两个角色多轮对抗辩论,配合分子感知检索、对比式策略进化和规则化安全检查层;适应完全通过自然语言策略演化完成,不更新参数(§1、§3)。
  2. 有哪些相关研究?

    相关工作分监督式药物推荐、LLM 临床推理、多智能体与自我进化系统三条线,作者称 SEMPA 把三者结合。

    监督式药物推荐

    • LEAP(Zhang et al., 2017)、RETAIN(Choi et al., 2016)、GAMENet(Shang et al., 2019):在纵向 EHR 上做注意力与记忆增强的多标签分类。
    • SafeDrug(Yang et al., 2021)、MoleRec(Yang et al., 2023)、CausalMed(Li et al., 2024b)、StratMed(Li et al., 2024a):逐步注入分子结构、因果先验与安全信号。论文指出这类模型部署后冻结、把开药当黑箱分类、把安全与准确性纠缠在单一损失里。

    LLM 与单智能体临床推理

    • 零样本提示、CoT(Wei et al., 2022)、Self-Consistency(Wang et al., 2022)、RAG(Lewis et al., 2020;Xu et al., 2024;Cao et al., 2026):把预训练 LLM 的医学知识用于决策支持。
    • Self-Refine(Madaan et al., 2023)、ReAct(Yao et al., 2022)、Reflexion(Shinn et al., 2023):同一模型既提议又自评的单智能体自我改进循环。论文引 Wang et al. (2026a) 的综述称这类单角色流程单独使用时易出现确认偏误。

    多智能体与自我进化系统

    • MedAgents(Tang et al., 2024)、MDAgents(Kim et al., 2024)、MAC(Chen et al., 2025)、ArgMed(Hong et al., 2024):模拟专家面板,论文称可减少遗漏性伤害(Misaghi et al., 2026);附录 A.1 指出这些系统通常是单次辩论,经验不跨病例迁移。
    • 智能体进化方向:verbal reinforcement(Shinn et al., 2023)、动态记忆(Park et al., 2023)、工具驱动自适应(Zhou et al., 2026)、原则驱动策略适应(Jiang et al., 2026a)等。

    基线与基准:对比基线为四个监督模型 LEAP、RETAIN、GAMENet、SafeDrug(官方代码默认超参),以及同一 GLM-5 骨干上的 Zero-shot、CoT、Self-Consistency、RAG、ReAct、Reflexion 六种 LLM 流程;数据为 MIMIC-IV 测试集 100 例(§4.1)。

    作者定位:SEMPA 把对抗式 Proposer-Critic 辩论与跨病例对比进化环结合,两个角色都以分子证据为基础,并由可审计的规则安全层兜底(§2、附录 A.1)。

  3. 论文如何解决这个问题?

    SEMPA 用五个模块实现:状态构建、分子检索、双角色辩论、策略进化、约束组装,全程不更新参数。

    整体思路:把药物推荐形式化为带 DDI 约束的集合优化,用同一 LLM 端点驱动的五个模块实现,适应完全通过自然语言策略演化完成。所有模块调用同一 LLM 端点 F,无需任务特定的训练模型(§3.1)。

    问题形式化

    • 输入为一次就诊 Rt=(Dt,Pt,Lt,Nt)(诊断、操作、检验、叙述文本),输出带 SMILES 标注的药物集合;决策目标为在 DDI 严重度上限 ΨDDI(M′)≤ϵ 约束下最大化效用(式 1–2)。
    • ATC-3 药物词表大小 131;检索在成分级知识库(数千条 DrugBank 条目)上进行,评分前映射到 ATC-3 标签空间(§4.1)。

    临床状态构建(M1,§3.2)

    • ICD 码映射到 UMLS 概念合并同义词;检验值做 z-score 标准化;药名规范化为通用名;用结构化模板抽取叙述实体。
    • 患者状态聚合上述信号与最近 W=3 次就诊的纵向摘要(附录 A.2)。

    分子感知检索(M2,§3.3)

    • 对每个诊断在药理知识图上做深度 η=3 的 BFS 取子图,候选按混合分排序:ϕ(m)=λϕtopo(m)+(1−λ)ϕmol(m),即拓扑(到诊断节点的逆最短路径)与分子(Morgan 指纹 Tanimoto 相似度)两项的加权和。
    • 无 SMILES 的药用群体频率先验;取 Top-N=300 候选并附证据卡。Morgan 指纹半径 r=2、2048 位(§4.1)。

    双角色辩论与策略进化(M3、M4,§3.4–3.5)

    • Proposer 起草处方与理由,Critic 按四维 rubric(覆盖、安全、分子机制、逻辑,权重 0.30/0.30/0.20/0.20)打分并质疑;当分数提升小于 γ=0.15 或达到预算 T=5 时终止。
    • 每例结束后计算回顾效用 ξ(Jaccard、DDI、分子 grounding、rubric 分的加权和);每 ∆k=40 例按 ξ 的 p=80 分位切成功/失败池,对比改写两个角色的策略。
    • 语义锚约束:每段策略增量与人工种子策略的嵌入余弦相似度须 ≥ α=0.12,违反则丢弃重采样;Proposer 按十个疾病类别追加条目,Critic 沿四个 rubric 维度进化(附录 A.6)。

    约束组装与评测方式(M5,§3.6、§4.1)

    • 对辩论输出做贪心修复:按 φ 排序,移除每个违规 DDI 对中得分较低者及触发禁忌的药,直到约束满足;DDI 严重度权重 minor/mod/sev = 0.1/0.4/1.0,上限 ϵ=0.5。
    • 采用 evolve–freeze–test 协议:策略在不相交的进化流上演化后冻结,100 例测试集单次通过、不再更新,测试例参考处方仅用于计算指标(§4.1)。
  4. 论文做了哪些实验?

    100 例 MIMIC-IV 上对比监督与 LLM 基线,外加 LLM 评审、进化动态、消融、跨骨干与案例分析。

    实验设置

    • 被测对象:SEMPA 以 GLM-5 为默认骨干(生成温度 0.7,评估温度 0);跨骨干实验另测 Claude-Sonnet-4.6、Gemini-2.5-Pro、DeepSeek-V4-Flash、Qwen-3.5-Plus、Qwen-3.5-Flash(Table 6)。
    • 基线:监督模型 LEAP、RETAIN、GAMENet、SafeDrug(官方代码默认超参);同骨干 LLM 流程 Zero-shot、CoT、Self-Consistency、RAG(仅 M2)、ReAct、Reflexion(§4.1)。
    • 数据:MIMIC-IV 测试集 100 例就诊,按 SafeDrug 标准流程处理;ATC-3 标签空间 131 类(§4.1)。
    • 指标:Jaccard、F1、PRAUC、DDI 率、#Meds、R2;Jaccard 恒为精确药名匹配,Table 1 的 F1 为 ATC-3 类匹配(§4.1)。
    • 评审方式:GLM-5 与 GPT-4o 两个 LLM 评审按六个维度(DMA、Safety、MolJust、Parsimony、GuideCon、OCA)打 1–5 分 Likert,温度 0、方法顺序随机(§4.1、附录 A.15)。
    • 重复次数:Table 1 与 Table 4 为六次独立运行的均值±标准差。

    主结果

    据 Table 1(n=100,六次运行均值):

    表格较宽,可左右滑动

    方法Jaccard↑F1↑PRAUC↑DDI↓#Meds
    LEAP0.28390.43680.48030.065818.33
    RETAIN0.29440.44680.49350.087324.42
    GAMENet0.30130.45530.49270.086725.00
    SafeDrug0.30690.46260.51330.076424.35
    SEMPA0.31160.72950.52820.017219.50
    • 作者称 SEMPA 在四项指标上同时最优,F1 比 SafeDrug 高 57.7%、DDI 率低 77.5%;但作者同时说明 F1 为 ATC-3 类匹配、Jaccard 为精确匹配,两者不可直接比较,类匹配增益不应读作统一严格协议下 57.7% 的提升(§4.2)。
    • 作者指出 SEMPA 平均 19.5 药、低于 GAMENet 的 25.0,认为安全收益不是少开药所致;对 Beers 准则与 STOPP/START 3.0 的独立审计中,相对 RETAIN,Beers 标记处方减少 61%、STOPP 触发减少 58%、START 覆盖增加 34%(§4.2、附录 A.14)。

    对 LLM 提示与智能体基线

    • 测了什么:同一 GLM-5 骨干上六种 LLM 流程对比(Table 2,n=100)。
    • 结果:Zero-shot/CoT/Self-Consistency 的 Jaccard ≤ 0.15;RAG(仅 M2)0.2452;ReAct 的 DDI 最低(0.0005)但 Jaccard 仅 0.0940;Reflexion 最差(Jaccard 0.0115);SEMPA Jaccard 0.3184、DDI 0.0155。
    • 作者解读:检索上下文必要但不充分;单智能体自评循环不能转化为更好的处方;收益来自双角色对抗与闭环进化而非骨干(§4.3)。

    进化动态与消融

    • 进化动态(Table 4):k=8 时 Jaccard 0.3146 趋于平台(k=16 为 0.3116);整体策略漂移单调升至 0.997,作者称这是条目追加的必然结果、锚约束按增量执行;平均辩论轮数从 5.0 降到约 2.4。
    • 消融(Table 5):去掉 M3(自辩论)Jaccard 降 40.1%,DDI 率降为 0——作者解释这是未受质疑的 Proposer 退守到不能覆盖诊断的小处方,属遗漏性伤害而非更安全;去掉 M2(检索)PRAUC 降 61.1%;去 M4、M5 各有约 5% 的 Jaccard 下降。

    跨骨干、案例与错误分析

    • 跨骨干(Table 6):GLM-5 Jaccard 0.318 最高,Qwen-3.5-Flash 最低 0.249,其余四种在 0.285–0.293;作者称六种骨干 F1 与 DDI 均优于纯提示基线,框架贡献超越单一模型。闭卷污染探针(附录 A.11,GLM-5、GPT-4.1、DeepSeek-V4-Flash 各 3 次、每次 n=100)显示仅凭患者 ID 无法复现处方(Jaccard < 10⁻²,拒答率 100%)。
    • 案例研究(§4.7、附录 A.12–A.16):一例 71 岁多病患者中,Critic 在第 2 轮指出二甲双胍与酮咯酸的肾脏禁忌、第 4 轮提出华法林换阿哌沙班,最终 9 药方案命中参考 8 药中的 7 个;另六例汇总(Table 7)中 SEMPA 平均精确匹配 10.5、无不适当药物(0/6),SafeDrug 为 5.7 和 6/6。
    • 错误分析(§4.8):人工检查 Jaccard < 0.20 的 23 例,三类模式为主——罕见病覆盖缺口 9 例、器官功能不全下过度谨慎 8 例、指南冲突未解 6 例。

    其他消融与分析

    • 计算成本(§4.9):默认 T=5 时每例平均延迟 38.7s(SafeDrug 0.4s),token 成本约 0.06 美元;进化收敛后降至 24.1s。
    • 超参敏感性(附录 A.9,Table 9,200 例留出池):∆k 过频或过稀均损害性能;α 过小亦有害;λ=0.75 时 Jaccard 0.318 为扫描中最高。
    • LLM 评审一致性(附录 A.10):两评审排名完全一致,逐例 Spearman ρ ∈ [0.71, 0.84]。
  5. 有什么可以进一步探索的点?

    作者列出五项局限,并称临床应用前需前瞻性医生在环评估;实验仅覆盖单中心 100 例。

    作者指出的局限与后续方向

    • 评估仅用单一三甲医院 MIMIC-IV 的 100 例,对其他医院、编码实践和人群的泛化未验证(Limitations)。
    • SEMPA 依赖反复 LLM 调用,延迟与成本高于监督基线,尽管进化后辩论轮数减少(Limitations)。
    • 语义锚提升策略稳定性,但不能形式化验证进化后的自然语言策略,也无法移除骨干继承的偏差(Limitations)。
    • DDI 上限与患者无关,而临床上合适的安全阈值应随年龄、肾肝功能、虚弱度和照护目标变化(Limitations)。
    • episodic memory 在分布漂移下可能积累有偏或陈旧的处方模式;任何真实临床使用前都需要前瞻性医生在环评估(Limitations)。
    • 错误分析后作者提出两个下一步:用精选病例库热启动经验库以减少覆盖缺口;给 Critic 的修复工具箱增加剂量调整动作而非只能删药(§4.8)。

    实验覆盖范围

    • 测试集为 MIMIC-IV 单中心 100 例就诊;超参扫描另用 200 例留出池(§4.1、附录 A.9)。
    • 监督基线为 LEAP、RETAIN、GAMENet、SafeDrug 共 4 个;LLM 基线 6 种均在 GLM-5 骨干上(§4.1)。
    • 跨骨干实验覆盖 6 个骨干(3 闭源、3 开源,Table 6);主结果重复 6 次运行。
    • 质量评审由 GLM-5 与 GPT-4o 两个 LLM 评审完成,论文未报告与人工评审的一致性;GLM-5 评审与 SEMPA 推理引擎同族,作者称 GPT-4o 复现排名可降低自偏好顾虑(§4.4)。
    • 安全审计除 DrugBank DDI 外覆盖 AGS 2023 Beers 准则与 STOPP/START 3.0(§4.2、附录 A.14)。
  6. 总结一下论文的主要内容

    SEMPA 以免训练双角色辩论加策略进化做药物推荐,在 100 例 MIMIC-IV 上四项指标优于监督基线。

    一篇面向临床药物推荐的智能体框架论文。作者针对监督模型部署后冻结、缺乏推理痕迹,以及现有 LLM 流程单轮单角色、无跨病例学习的问题,提出免训练框架 SEMPA。

    • 方法:同一 LLM 分饰 Proposer 与 Critic 多轮对抗辩论;分子感知检索融合知识图拓扑与 SMILES 级 Tanimoto 相似度;按成功/失败池对比改写自然语言策略并用语义锚防漂移;最后经规则化 DDI 与禁忌检查组装处方,全程不更新参数。
    • 主结果:100 例 MIMIC-IV 上 Jaccard 0.3116、F1 0.7295(ATC-3 类匹配)、DDI 率 0.0172,作者称 F1 较最强监督基线 SafeDrug 高 57.7%、DDI 低 77.5%,同时承认两种匹配协议的数字不可直接比较(Table 1、§4.2)。
    • 其他证据:GLM-5 与 GPT-4o 两个 LLM 评审在六个维度上均把 SEMPA 排第一(Table 3);六种骨干上趋势一致(Table 6);消融显示自辩论模块贡献最大,去掉后 Jaccard 降 40.1%(Table 5)。
    • 代价与失败模式:每例延迟 38.7s(SafeDrug 0.4s);Jaccard < 0.20 的 23 例中以罕见病覆盖缺口、过度谨慎删药、指南冲突未解为主(§4.8–4.9)。
    • 作者结论:收益来自框架而非特定模型;作者同时强调泛化未验证、策略不可形式化验证,临床使用前需前瞻性医生在环评估,系统定位为决策支持而非自主开方。
阅读原文arxiv.org