Discharge-Agents：一种用于出院小结生成的少样本多智能体协作框架

《Pattern Recognition Letters》：Discharge-Agents: A Few-Shot Multi-Agent Collaborative Framework for Discharge Summary Generation

　　

• •
  提出了一种少样本多智能体协作框架。
• •
  上下文感知的生成方式可产生多样化的候选摘要。
• •
  引入了一个知识增强的验证模块。
• •
  联合改善了事实性、逻辑性和风格一致性。
• •
  在公开数据集和真实世界耳鼻喉科数据集上均取得了具有竞争力的结果。

引言

出院摘要总结了患者的住院过程及出院后的护理计划。然而，其撰写需要对异质性电子健康记录（EHR）进行人工整合，耗时且劳动密集[1], [2], [3]。这促使了自动方法的开发需求，以减轻临床文档记录的负担。

近年来，大语言模型（LLMs）的快速发展为临床文本生成创造了新的机遇，无论是专有模型[4], [5], [6]还是基于微调的方法[7], [8], [9], [10], [11]，在出院摘要生成任务上均展现了令人瞩目的性能。然而，与一般医疗文本生成任务不同，出院摘要由BHC（病房交接）和面向患者的DI（出院说明）两部分组成，二者在写作目标和语言风格上存在显著差异。这使得该任务本质上具有多视角、多目标特性，对风格控制和跨章节一致性提出了重大挑战。

现有研究已尝试通过角色解耦来缓解不同章节间的风格冲突。例如，[9], [11]分别为BHC和DI训练了独立模型。然而，这些方法通常依赖于微调，且缺乏对共享临床证据的显式建模，可能导致跨章节不一致。另一类工作[8]先生成BHC，再将其作为DI生成的输入。尽管这改善了信息流，但可能因信息不完整或错误传播而降低下游生成质量。然而，这些基于微调的方法主要关注风格解耦和信息流，对事实可靠性和跨章节一致性关注有限。因此，它们仍面临严重的幻觉问题，包括与输入EHR不一致的事实性幻觉，以及BHC与DI相互矛盾的逻辑性幻觉。

因此，出院摘要生成面临两个关键挑战：

• 1.
  在多目标生成场景下如何实现风格一致性和适应性？
• 2.
  如何减少事实性幻觉和逻辑性幻觉以提升生成结果的可靠性？

上述挑战无法通过依赖单一模型的微调方法以统一方式有效解决，而多智能体协作为应对这些问题提供了一个有前景的新范式。如图1所示，我们提出Discharge-Agents，一个用于出院摘要生成的少样本多智能体协作框架。整体框架由三个阶段组成：上下文感知的候选生成、知识增强的验证以及基于共识的优化。首先，我们设计了一种上下文分解机制，将异质性EHR组织为角色共享上下文和角色专属上下文，从而在保留共享临床证据的同时显式解耦BHC和DI的写作要求。其次，我们构建了面向验证的知识库，并开发了知识增强的多维验证模块，从事实一致性、逻辑一致性和风格一致性的角度联合评估候选摘要。最后，我们提出了一种基于共识的优化策略，根据验证信号和多模型讨论结果迭代修订和整合候选摘要。在DischargeMe数据集和真实世界耳鼻喉科数据集上的实验结果表明，Discharge-Agents始终优于少样本LLM基线，并与具有代表性的微调模型取得了具有竞争力的表现。

章节摘要

出院摘要生成

自动出院摘要生成因其减轻临床文档记录负担的潜力而受到越来越多的关注。早期研究主要探索使用通用大语言模型（如GPT-3.5和GPT-4）进行基于提示的生成，这些模型可以在相对简单的场景下生成连贯的出院摘要[4], [5], [6]。然而，现有评估表明，这些方法在复杂临床应用中仍存在严重局限性，特别是在

框架概述

如图2所示，我们将出院摘要生成建模为一个结构化的多智能体协作过程，包括候选生成、知识增强的验证和优化三个阶段。给定输入EHRx_i，我们首先将其分解为共享临床证据以及BHC和DI的章节专属上下文。LLM Zoo中的多个生成器模型基于这些结构化上下文生成多样化的候选出院摘要。接下来，验证器智能体评估每个候选摘要

数据集

我们在两个出院摘要数据集上评估了我们的框架。我们使用了BioNLP ACL 2024共享任务数据集Discharge Me!⁴，该数据集基于MIMIC-IV [28]构建。它包含109,168例急诊科就诊记录，涵盖异质性临床数据和对应的出院摘要。按照官方设置，1,091个样本作为独立测试集，其余108,077个样本用于构建临床

整体性能

表1报告了不同少样本设置下的整体性能。Discharge-Agents在所有评估指标上一致优于所有专有LLM基线。在15-shot设置下，与最强专有基线Grok-4相比，R-1提升了0.022，R-L提升了0.042，平均提升0.042。由于候选摘要本身就是由这些专有LLM生成的，因此性能提升主要来自于所提出的

结论

在本文中，我们提出了Discharge-Agents，一个用于免训练的出院摘要生成的少样本多智能体协作框架。通过结合上下文感知的候选生成、知识增强的验证和基于共识的优化，我们的方法缓解了事实性幻觉、逻辑不一致和写作风格混淆等问题。在DischargeMe数据集和真实世界耳鼻喉科数据集上的实验表明，Discharge-Agents优于少样本LLM基线并取得了具有竞争力的

CRediT作者贡献声明

曾阳（Zengyang Che）：撰写——审阅与编辑、撰写——初稿、可视化、验证、方法论、数据整理。陈志鹏（Zhipeng Chen）：撰写——审阅与编辑、监督、资源、形式分析、数据整理。徐永（Yong Xu）：撰写——审阅与编辑、监督、资源、项目管理、方法论、资金获取、形式分析、数据整理。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

曾阳（Zengyang Che）| 陈志鹏（Zhipeng Chen）| 徐永（Yong Xu）