序贯诊断是临床中常见的挑战，需要在迭代收集信息的过程中平衡诊断准确性与资源成本。现有基于大语言模型（LLM）的方法尽管编码了广泛的医学知识，但在成本约束下往往难以进行系统性推理，容易导致过度测试。针对这一问题，研究人员提出了GraphDx框架，通过两大核心创新来提升诊断效率与成本效益。
首先，GraphDx设计了一条自动化流水线，利用LLM自动构建医疗诊断知识图谱（MDKG）。该图谱具有三大特点：量化典型性，即对症状与疾病之间的关联程度进行定量评估；以行动为中心的拓扑结构，突出诊断动作（如检查、测试）之间的关系；以及双目标属性，同时优化诊断相关性和成本敏感性。这样的设计使得知识图谱能够有效指导后续的推理过程。
其次，GraphDx引入了三个协作智能体：感知智能体、推理智能体和决策智能体。感知智能体负责理解患者的语言描述并提取关键信息；推理智能体在MDKG上执行确定性的证据评分，并进行成本感知的规划，即选择最具信息价值且成本合理的检查项目；决策智能体基于推理结果生成最终诊断。这种分工明确的多智能体架构，使得系统能够在保证准确性的前提下显著降低测试成本。
在实验方面，研究团队在MedQA和MIMIC-IV两个基准数据集上进行了测试，使用了DeepSeek-V3、Kimi-k2和Llama-3.3三种LLM作为骨干模型。结果表明，GraphDx将诊断成功率从50-68%提升至79-93%，同时将测试成本降低了20-54%。这一成果为自动化临床诊断提供了一个稳健、经济且可解释的解决方案，有望在医疗AI领域发挥重要作用。