基于多智能体AI框架的神经电生理诊断增强系统INSPIRE：提升神经传导研究与肌电图报告的准确性与标准化

【编辑推荐】本研究针对神经肌肉电诊断测试(EDX)解读标准化难题，开发了基于生成式AI的多智能体系统INSPIRE。通过整合患者病史、EDX原始数据与教科书知识，该系统显著提升异常检测准确率至92.2%（vs 基础LLM的62.6%），并建立AIGERS评分体系验证其在临床诊断、语义一致性等维度的优越性（p<0.001），为复杂医疗决策提供可扩展的AI解决方案。

　　

神经肌肉疾病的精准诊断一直是临床神经病学的重大挑战。传统的神经传导研究(NCS)和肌电图(EMG)作为评估周围神经系统功能的核心手段，其解读高度依赖医师经验，且面临数据量大、变量复杂（如波形幅度、潜伏期、传导速度等）的困境。更令人担忧的是，美国约16.9%的检查由非医师操作，可能影响结果可靠性。随着人工智能(AI)技术的发展，基于大语言模型(LLM)的解决方案在放射学等领域取得成功，但针对需要多变量整合的复杂场景——如需同时分析患者病史、电生理参数和动态波形特征的EDX——仍缺乏有效工具。

以色列Rambam Healthcare Campus的研究团队在《Clinical Neurophysiology》发表的研究，开创性地将多智能体AI系统引入这一领域。他们开发的INSPIRE框架包含三个核心模型：基础LLM单次推理模型、配备三个专业代理的INSPIRE系统（整合临床教科书、参考表格等工具），以及其轻量版INSPIRE-Lite。通过自主研发的AI生成EMG报告评分(AIGERS)体系评估，该系统在异常检测准确率(92.2% vs 62.6%)、临床诊断一致性等方面均显著优于传统方法(p<0.001)，同时有效控制幻觉生成和数据过载问题。

关键技术方法包括：1）从2020-2024年门诊EMG诊所队列中提取EDX报告构建数据集，经神经肌肉专家(S.S)标注；2）开发包含EDX验证代理、临床推理代理和报告生成代理的三层架构，代理温度参数设为0以确保稳定性；3）采用AIGERS评分系统（含发现、临床诊断、语义一致性等维度）进行量化评估。

【INSPIRE框架开发】
通过温度参数严格控制的代理分工协作：EDX验证代理提取PDF中的原始波形数据和表格指标，临床推理代理结合患者主诉和医学教科书进行病理分析，最终由报告生成代理输出结构化诊断。这种模块化设计解决了传统LLM在长上下文理解和多源数据整合上的局限性。

【结果】
在检测正常/异常EDX的核心任务中，INSPIRE的准确率较基础LLM提升近30个百分点(92.2% vs 62.6%)。AIGERS评分显示，其在发现提取(如运动神经传导速度异常)、临床诊断匹配度（如腕管综合征识别）等关键维度均显著领先(p<0.001)。值得注意的是，轻量版INSPIRE-Lite在诊断准确性上出现可检测的下降(p=0.004)，印证了完整框架的必要性。

【讨论与意义】
该研究首次证明多智能体AI系统在复杂电生理诊断中的价值：1）通过工具调用实现教科书知识的动态检索，减少幻觉；2）标准化流程可弥补非专科医师的操作差异；3）模块化设计为后续扩展（如添加自主波形分析代理）奠定基础。作者特别指出，该系统并非替代临床医师，而是作为"数字电生理助手"帮助整合碎片化数据——这对发病率持续上升的糖尿病周围神经病变等疾病的早期筛查尤为重要。未来方向包括纳入实时超声引导EMG数据，以及通过联邦学习提升模型泛化能力。

这项研究为AI在复杂医疗决策中的应用树立了新范式。其创新性不仅体现在技术层面（首次将多代理架构引入EDX领域），更在于开发了可量化的AIGERS评估体系，为后续研究提供基准。随着EMG设备智能化发展，INSPIRE这类系统有望成为连接原始数据和临床洞察的关键桥梁，最终实现"从电信号到诊断报告"的端到端精准医学。