MA-RAG: Мультиагентный RAG для анализа болезни Паркинсона

Проблема: LLM не справляются с долгосрочными данными

Интерпретация клинических оценок при болезни Паркинсона требует времени и экспертизы. Обычные большие языковые модели (LLM) часто генерируют неточные или противоречивые ответы, так как не обладают достаточным клиническим контекстом и плохо работают с временной последовательностью данных (longitudinal data). Это критично для отслеживания динамики заболевания у пациента.

Решение: Архитектура MA-RAG

Команда авторов (Sana Alamgeer, Denise Goberta, Muhammad Irshad, Anne H. H. Ngu) предложила фреймворк MA-RAG (Multi-Agent Retrieval-Augmented Generation). Ключевая идея — декомпозиция клинического рассуждения на специализированных агентов. Система не просто ищет информацию, а выполняет четыре конкретных задачи:

• Single-session: анализ одного визита.
• Trajectory: анализ траектории развития болезни.
• Comparison: сравнение показателей.
• Cohort: обобщение данных по когорте пациентов.

Результаты: Прорыв в точности

В ходе оценки MA-RAG сравнивали с базовыми моделями (Traditional, RAG-only, Single-agent RAG). Система продемонстрировала статистически значимое улучшение по ключевым метрикам: Fact Precision (точность фактов), Hallucination Rate (уровень галлюцинаций), Temporal Fidelity (временная достоверность) и Semantic Similarity. Особенно впечатляющим стало снижение уровня галлюцинаций и рост фактической точности.

Значение для медицины

Субъективная оценка клинических экспертов подтвердила, что MA-RAG генерирует наиболее организованные и клинически полезные сводки. Внедрение таких систем может автоматизировать рутинный анализ истории болезни, позволяя врачам фокусироваться на принятии решений, а не на сборе фактов из разрозненных записей.

Источник: arXiv cs.CL ↗