単一のパネルではすべてに対応できない：臨床予測のためのケース適応型マルチエージェント熟慮

Abstract

臨床予測に適用された大規模言語モデルは、症例レベルの異質性を示す。単純な症例では出力が一貫する一方で、複雑な症例では、わずかなプロンプト変更のもとで予測が分岐する。既存の単一エージェント戦略は、1つの役割に条件付けられた分布からサンプリングし、多エージェントの枠組みでは固定された役割とフラットな多数決を用いて意見の不一致時に診断上のシグナルを捨ててしまう。そこで我々は、CAMP（Case-Adaptive Multi-agent Panel）を提案する。これは、担当医（attending-physician）エージェントが、各症例の診断上の不確実性に応じて、その都度最適化された専門家パネルを動的に構成する手法である。各専門家は、3値投票（KEEP/REFUSE/NEUTRAL）によって候補を評価することで、自身の専門外では、根拠に基づく棄権（abstention）を可能にする。ハイブリッド・ルータは、各診断を、強いコンセンサスによる裁定、担当医の判断へのフォールバック、あるいは投票数ではなく議論の質を重み付けするエビデンスに基づく仲裁のいずれかへと導く。MIMIC-IVを用いた診断予測と短い入院経過生成を、4つのLLMバックボーン上で行った結果、CAMPは強力なベースラインを一貫して上回り、競合する多エージェント手法の多くよりも少ないトークン消費で達成した。さらに、投票記録と仲裁の痕跡（traces）により、意思決定の監査が透明に可能となる。