序貫診斷是臨床中常見的挑戰，需要在迭代收集資訊的過程中平衡診斷準確性與資源成本。現有基於大語言模型（LLM）的方法儘管編碼了廣泛的醫學知識，但在成本約束下往往難以進行系統性推理，容易導致過度測試。針對這一問題，研究人員提出了GraphDx框架，透過兩大核心創新來提升診斷效率與成本效益。
首先，GraphDx設計了一條自動化流水線，利用LLM自動構建醫療診斷知識圖譜（MDKG）。該圖譜具有三大特點：量化典型性，即對症狀與疾病之間的關聯程度進行定量評估；以行動為中心的拓撲結構，突出診斷動作（如檢查、測試）之間的關係；以及雙目標屬性，同時最佳化診斷相關性和成本敏感性。這樣的設計使得知識圖譜能夠有效指導後續的推理過程。
其次，GraphDx引入了三個協作智慧體：感知智慧體、推理智慧體和決策智慧體。感知智慧體負責理解患者的語言描述並提取關鍵資訊；推理智慧體在MDKG上執行確定性的證據評分，並進行成本感知的規劃，即選擇最具資訊價值且成本合理的檢查專案；決策智慧體基於推理結果生成最終診斷。這種分工明確的多智慧體架構，使得系統能夠在保證準確性的前提下顯著降低測試成本。
在實驗方面，研究團隊在MedQA和MIMIC-IV兩個基準資料集上進行了測試，使用了DeepSeek-V3、Kimi-k2和Llama-3.3三種LLM作為骨幹模型。結果表明，GraphDx將診斷成功率從50-68%提升至79-93%，同時將測試成本降低了20-54%。這一成果為自動化臨床診斷提供了一個穩健、經濟且可解釋的解決方案，有望在醫療AI領域發揮重要作用。