来源：图谱学宛

原文链接：https://mp\.weixin\.qq\.com/s/1l4nJqwjSY74CR5P\-b5QRQ

北京大学数据管理实验室钟嘉伦关于罕见病多智能体系统的论文《RareDASH: A Dynamic Multi-Agent System for Holistic Rare Disease Care》被 IJCAI 2026 Demonstration Track接收。

来源：图谱学宛

原文链接：https://mp\.weixin\.qq\.com/s/1l4nJqwjSY74CR5P\-b5QRQ

北京大学数据管理实验室钟嘉伦关于罕见病多智能体系统的论文《RareDASH: A Dynamic Multi-Agent System for Holistic Rare Disease Care》被 IJCAI 2026 Demonstration Track接收。

引言

罕见病是指发病率极低、发病机制复杂、严重威胁生命的一类疾病。尽管单一罕见病的患病率较低，但据最新估计，全球约有 7000–10000 种罕见病，影响超过 3 亿人口，对全球医疗体系构成了巨大挑战。与此同时，罕见病的全流程关怀——涵盖诊断、用药推荐以及长期心理社会支持——往往呈现碎片化、资源密集的特点，而专科人才的稀缺进一步加剧了医疗资源的不平等，导致患者常常经历漫长的"诊断奥德赛"，在罕见病的综合管理方面留下了关键空白。

人工智能（AI）已成为医疗领域的一股变革性力量。大量研究表明，AI 在罕见病关怀的不同阶段（如诊断、用药推荐）均展现出显著效能，推动了该领域的数字化转型。随着大语言模型（LLM）技术的进步，LLM 驱动的多智能体系统（Multi-Agent System, MAS）为解决医疗场景中复杂需求与低资源困境提供了新的范式。然而，现有 AI 系统虽然在特定任务上表现优异，但往往缺乏全生命周期患者关怀所需的全局视角和主动协调能力。

为应对罕见病关怀中碎片化、资源受限的局面，本文提出 RareDASH——一个面向全流程罕见病关怀的动态多智能体系统。RareDASH 的核心思想是借鉴可复用的 Agent Skills 理念，通过动态工作流编排来实现模块化的智能体协作，从而覆盖罕见病关怀连续体中的各类场景需求。具体而言，本文的贡献包括：

方法论

RareDASH 的整体框架如下图所示。患者的查询首先由编排智能体解析为有向无环图（DAG）形式的工作流，工作流中的各节点由不同的专业化智能体执行。系统通过四个增强模块——主动问询、知识增强、记忆缓存和持续审计——来保障临床输出的质量和效率。

动态编排工作流

罕见病的全生命周期关怀涵盖多样化的临床场景，每个场景需要不同专业智能体之间的协同范式。与此同时，罕见病低资源的特性迫使系统必须集成异构外部工具（如 HPO 本体、DrugBank 知识库等）和领域特定知识以弥补信息鸿沟，这极大增加了系统的复杂性。

受现有工作启发，RareDASH 利用专家先验知识为常见关怀场景构建了预定义的 DAG 工作流。在该图结构中，每个节点代表一个实例化的智能体，有向边表示智能体之间的信息传递。对于多样化的患者查询，这些由专家策划的工作流作为高质量参考，使得编排智能体能够根据具体上下文动态生成和定制新的工作流。这种拓扑约束对于防止 MAS 陷入无限通信循环或停滞于次优局部解至关重要。

主动问询机制

被动依赖患者描述往往导致诊断困难，特别是在用户端信息不完整和罕见病表型异质性的双重挑战下。为此，RareDASH 引入了主动问询模块，将系统从被动响应者转变为主动调查者。

当可用信息不足以得出可靠结论时，该机制赋予智能体动态生成和提出针对性追问的能力。通过迭代地挖掘患者潜在的个性化信息、直接澄清模糊状况，系统显著增强了临床上下文的细粒度，从而促进更早、更准确的罕见病发现。

智能体记忆缓存

复杂多智能体协作链的计算开销和时间延迟可能阻碍实时临床交互，尤其是涉及大量工具调用的步骤。为解决这一效率瓶颈，RareDASH 为每个智能体实现了协作记忆缓存，持久化存储原始输入、推理轨迹和工具执行结果。

具体而言，该模块将每次成功的智能体执行记录为结构化缓存。当遇到重复子任务或相似的临床查询时，系统从记忆中检索语义最相似的轨迹。若检索到的输入与当前请求完全匹配，系统直接将已验证的输出返回给用户，而无需重新计算；若不存在完全匹配，则将检索到的轨迹作为上下文示例（in-context demonstrations）来引导推理。关键的是，为保护数据隐私，记忆缓存在不同患者身份之间严格隔离。该机制将智能体推理锚定在经过验证的历史轨迹上，并显著降低延迟，尤其适用于连续性患者关怀场景。

持续审计模块

MAS 中的协作链容易发生幻觉传播——早期推理阶段的微小错误可能级联为严重的临床问题。为此，RareDASH 建立了一个持续审计智能体，与主工作流并行运行，以强化临床严谨性。

该模块采用 LLM-as-a-Judge 策略，对照已建立的幻觉类型、医学约束和指令一致性，检查中间推理步骤和工具输出。若检测到潜在偏差，审计智能体会立即介入，触发修正循环并生成修订建议，有效降低幻觉风险，确保最终响应的安全性和忠实性。根据错误的严重程度和类别，审计智能体将对底层 DAG 进行操作，范围从特定节点的重新执行到图结构的动态重构，从而将推理过程引导回有效的临床轨迹。

系统设计与架构

基于上述核心模块，RareDASH 被实现为一个统一的多智能体环境。系统架构如下图所示，左侧为当前工作流的 DAG 可视化，中间为对话界面（可查看每个智能体的响应），右侧展示当前患者的信息。

核心智能体角色

编排智能体（Orchestration Agent）：作为系统的中枢单元，负责解析初始患者查询并确定最优执行路径。它利用专家策划的 DAG 动态实例化所需的子智能体并调度其交互，将非结构化的患者请求映射为结构化的临床工作流（如症状检查 vs. 用药咨询），确保系统运行符合既定的医学规程。

患者专属智能体（Patient-Specific Agent）：专注于患者数据的解析和管理，具备多模态解析能力以处理上传的各类医疗文档（临床报告、医学影像、电子健康记录等）。通过 OCR 等信息提取工具，将异构文件转化为文本格式供下游智能体使用，并持续维护患者状态的动态上下文。

VCF智能体（Variant Call Format Agent）：VCF 是生物信息学中存储基因序列变异的标准格式。该智能体负责处理基因组数据的复杂性，执行致病性分析和基于基因型的诊断等 VCF 相关指令，作为基于表型分析方法的补充手段。

推理智能体（Reasoning Agent）：承担核心临床操作，涵盖鉴别诊断、用药推荐和干预后建议等关键任务。在编排智能体的指导下，它按顺序执行分配的工作流步骤，并以可验证的文本格式生成中间推理步骤，确保系统的可解释性并便于人工验证。

审计智能体（Auditing Agent）：实例化持续审计模块，专门负责实时检测执行工作流中的故障或幻觉。检测到的错误在被传播到最终输出之前被拦截，并根据严重程度触发不同的修正策略。

工具集成

为解决 LLM 中静态参数化罕见病知识的局限性，RareDASH 集成了四类外部工具：

核心技术组件

系统的核心技术选型如下：

系统后端基于 Python 实现，采用异步事件驱动架构，通过 WebSocket 接口向前端提供实时流式输出的智能体响应。

总结与展望

RareDASH 提出了一个面向全流程罕见病关怀的动态多智能体系统，旨在解决当前罕见病医疗中碎片化、资源受限的困境。通过集成动态编排工作流、主动问询机制、智能体记忆缓存和持续审计四个互补模块，RareDASH 超越了任务特定型 AI 系统的局限，为管理罕见病的全生命周期关怀提供了一个原则性框架。

通过涵盖医疗咨询、表型提取、基因组变异分析和多模态临床数据集成的多场景演示，RareDASH 在真实罕见病关怀场景中展现了其广度和适应性。展望未来，研究团队计划在已有基准上对 RareDASH 进行严格评估，并探索其在真实医院环境中的部署与应用，以进一步发现全流程罕见病关怀中的独特挑战。

原文链接: https://www.leiphone.com/category/private/8j5FQ4MLG2fcu23S.html