编辑推荐：
在医学人工智能领域，大语言模型（LLMs）在西班牙语医学场景中的应用效果存疑。研究人员评估了 GPT-4o 单智能体和多智能体策略在智利医学执照考试（EUNACOM）中的表现。结果显示多智能体策略表现更优，这为 LLMs 在西班牙语医疗领域的应用提供了参考。
在当今数字化时代，人工智能的浪潮正席卷各个领域，医学领域也不例外。大语言模型（LLMs）的迅猛发展，为医学决策和教育带来了新的曙光。像基于 GPT 的系统，能从大量数据中生成临床总结、辅助复杂诊断并预测患者结果，让医疗模式发生了巨大变革。然而，这看似光明的前景背后，却隐藏着诸多问题。
目前，LLMs 在非英语语境下的应用困难重重，尤其是在西班牙语医学场景中。虽然西班牙语是全球第二大母语，但多数 LLMs 主要基于英语数据集训练，应用到西班牙语医学领域时，面临着严重的语言和文化障碍。例如，GPT-4 在西班牙医学住院医师考试（MIR）中，就难以应对专业领域的细微差别和多模态问题。而且，单智能体模型在处理跨学科病例时常常力不从心，而多智能体框架虽能模拟现实医疗决策过程，但在实际应用中的效果还缺乏深入研究。
为了填补这些研究空白，来自智利 Pontificia Universidad Católica de Chile 的研究人员展开了一项极具意义的研究。他们聚焦于 GPT-4o 在智利国家单一医学知识考试（EUNACOM）中的表现，通过对比单智能体和多智能体配置，全面评估其在西班牙语医学能力考试中的成效，研究成果发表在《BMC Medical Education》上。
在研究过程中，研究人员采用了多种关键技术方法。他们选取了 1062 道公开的 EUNACOM 考试题目构建数据集，对题目进行预处理，随机排列选项以避免偏差。在实验设计上，将 GPT-4o 置于单智能体和多智能体两种配置下测试，每种配置又分别在三个温度条件（0.3、0.6、1.3）下运行两次。单智能体配置下探索多种提示技术，多智能体框架则模拟协作诊断环境。同时，利用准确率、API 调用次数和平均响应时间等指标评估模型，采用非参数统计检验分析数据。
研究结果如下：
- 整体性能：多智能体框架表现优于单智能体方法，其中 MDAGENTS 准确率最高，达到 89.97%（SD = 0.56%），显著超越零样本（85.90%，SD = 0.32% ）和自我反思（85.38%，SD = 0.22%）等简单方法。而像思维链（CoT） + 少样本这类结合提示工程和引导推理的单智能体方法，也比零样本和自我反思表现更好。
- 稳健性：无论是单智能体还是多智能体策略，对温度调整都不敏感，表明模型在不同随机条件下能保持稳定性能。
- 计算资源与一致性：多智能体策略虽准确率高，但计算资源消耗大，如 MDAGENTS 平均需 21.14 次 API 调用，每次实验约 192 秒。而 CoT + 少样本在保证高准确率（87.67%，SD = 0.12% ）的同时，计算开销最小。
- 不同医学专业的表现：模型在精神病学（95.51%）、神经病学（95.49%）和外科（95.38%）等专业准确率较高，在新生儿学（77.54%）、耳鼻喉科（76.64%）和泌尿科 / 肾病学（76.59%）等专业准确率较低。
研究结论和讨论部分指出，该研究充分展示了 GPT-4o 在西班牙语医学考试中的应用潜力。多智能体框架（如 MDAGENTS）通过协作推理和专业分工，在复杂医学评估中优势明显；而单智能体配置（如 CoT + 少样本）则在保证高准确率的同时，降低了计算成本，为资源有限的场景提供了实用选择。尽管模型在不同医学专业表现有差异，但整体稳健性良好。这一研究成果为 LLMs 在西班牙语医疗教育和临床实践中的应用提供了重要依据，有助于推动多语言人工智能在全球医疗领域的发展，不过也还需要进一步优化模型，以提高其在不同医学领域的表现，并降低多智能体框架的计算需求 。
