核心发现
方法论
SCoT采用多轮多专家（persona-conditioned）LLM交互架构，模拟临床多学科会诊。核心机制包括生成专家团队、逐轮提出诊断、辩论、投票及安全检查。通过在Open-XDDx基准上评估，结合多模型、多轮和ablation分析，验证其在复杂病例中的召回优势。该方法利用多样化视角缓解单模型内生偏差，增强推理透明度。具体实现包括五个角色生成、七轮流程设计，结合多模型（如Qwen-2.5、Gemma、Claude）进行实验。
关键结果
- 在570病例测试中，SCoT整体召回率提升4-12个百分点，尤其在难诊断病例中表现显著，最高提升达15.1个百分点，超越单模型和简单多轮采样。模型规模越小，增益越明显，Qwen-2.5-3B模型召回提升11.8个百分点。多专家交互显著改善复杂病例的诊断覆盖率，验证多智能体合作的有效性。
- 通过ablation验证，单一模型在多轮结构中召回反而下降，说明多专家协作带来多样性和信息融合优势。Best-of-n采样未能匹配SCoT的召回提升，表明结构化多专家合作优于简单重复采样。难度越高的病例，SCoT的效果越明显，提升了整体诊断准确性。
- 多模型、多轮交互能有效缓解单模型偏差，特别在诊断难点和边缘病例中表现优异，为临床AI辅助提供新思路。该架构的可解释性和透明度也优于传统单模型，具有推广潜力。
研究意义
本研究突破了单一大模型在复杂医疗推理中的局限，通过多智能体合作机制显著提升诊断召回，特别适用于复杂病例的临床场景。其多轮、多专家交互设计模仿真实临床诊断流程，为AI在医疗中的应用提供了新范式。该方法不仅改善了模型的推理能力，也增强了系统的透明性和可信度，为未来智能医疗系统的设计提供理论基础和实践路径。它解决了单模型在多学科融合、信息整合和偏差控制方面的核心难题，有望推动AI辅助诊断的临床落地。
技术贡献
技术上，提出基于多角色persona-conditioned的多轮交互架构，结合多模型、多轮投票机制，系统性缓解模型偏差。引入Delphi式专家辩论流程，增强推理透明度。通过ablation验证，明确多专家合作在复杂病例中的召回优势，超越传统单模型和简单多轮采样。该架构为多智能体系统在医疗推理中的应用提供了可复制、开源的实现方案，推动多模态、多角色协作的研究发展。
新颖性
本研究首次将社会学启发的多专家、多轮交互架构引入医疗差异诊断任务，结合persona-conditioned生成机制，系统性解决单模型偏差和推理透明度问题。与以往多智能体系统多偏重于信息融合或对话生成不同，SCoT强调多轮辩论与投票，提升诊断召回，特别在复杂病例中表现优异。这一创新架构在医疗AI领域具有开创性意义。
局限性
- 模型仍受限于基础LLM的能力，难以完全解决偏差和知识盲区，尤其在极端罕见病例中表现不足。
- 多轮交互增加计算成本，实际临床应用需优化效率。
- 专家角色设定虽模拟临床多学科，但仍缺乏真实临床数据的深度融合，未来需引入真实病例数据进行微调和验证。
未来方向
未来将结合真实临床数据，优化专家角色设定与交互流程，提升模型的实用性和鲁棒性。同时探索多模态信息融合（如影像、检验数据），增强诊断能力。还计划引入强化学习机制，动态调整专家辩论策略，进一步提升系统性能和效率。
AI 总览摘要
随着人工智能在医疗领域的快速发展，单一大模型在复杂诊断任务中的局限性逐渐显现。传统方法依赖单模型推理，难以充分整合多学科知识，导致在复杂病例中的召回率不足。为应对这一挑战，本文提出了Social Chain of Thought（SCoT）架构，模拟临床多学科会诊过程，通过多轮多专家（persona-conditioned）交互，显著提升诊断的召回能力。
SCoT架构设计包括生成多角色专家团队、逐轮提出诊断、辩论、投票和安全检查，模仿真实临床诊断流程。实验在Open-XDDx基准上进行，涵盖570个病例，结果显示，SCoT在复杂病例中的召回率比单模型提升4-12个百分点，最高在难诊断病例中提升达15.1个百分点。特别是在模型规模较小时（如Qwen-2.5-3B），增益更为明显，验证了多专家合作的有效性。
通过ablation分析，发现单一模型在多轮结构中反而表现下降，说明多专家合作带来的多样性和信息融合优势。Best-of-n采样未能达到SCoT的效果，进一步证明结构化多专家合作优于简单重复采样。研究还发现，SCoT在难度较高的病例中效果更佳，能有效缓解模型偏差，提升整体诊断准确性。
这一创新架构不仅改善了模型的推理能力，也增强了系统的透明度和可信度，为未来临床AI应用提供了新思路。未来工作将结合真实临床数据，优化专家角色和交互流程，探索多模态融合和强化学习机制，推动AI在医疗中的广泛应用。
深度分析
研究背景
近年来，人工智能在医疗诊断中的应用逐步深化，尤其是大型语言模型（如GPT系列、Claude、Gemma）在辅助诊断中的潜力逐渐显现。早期研究多集中于单模型推理，效果有限，难以应对复杂病例的多学科信息整合。多智能体系统（如Li et al., 2025的MACD、Tu et al., 2024的AMIE）尝试模拟多专家合作，但多轮交互和推理透明度不足。传统单模型虽在某些任务上表现尚可，但在复杂诊断场景中召回率不足，难以满足临床需求。近年来，学界开始关注多专家、多轮交互架构，试图突破单模型的瓶颈，提升诊断全面性和准确性。
核心问题
复杂医疗诊断需要整合多学科知识、逐步排除误诊，单一模型难以模拟真实临床思维过程。现有系统多依赖单模型推理，受偏差和知识盲区限制，导致在边缘病例中表现不佳。多轮交互虽能部分缓解，但缺乏系统性结构设计，难以实现高效、透明的诊断流程。如何设计一个既能模拟多学科合作，又具备可解释性和高召回率的架构，成为当前的核心难题。
核心创新
本研究提出SCoT架构，创新点主要包括：1）引入persona-conditioned多专家生成机制，模拟临床多学科会诊；2）设计多轮辩论、投票和安全检查流程，增强推理的多样性和透明度；3）结合多模型、多轮投票机制，缓解模型偏差，提升复杂病例的召回率。该架构区别于传统多智能体系统，强调结构化的辩论和决策流程，模仿真实临床决策过程，突破了以往多模型融合的局限。
方法详解
- �� 输入病例：模型接收病例描述，生成五个不同角色的专家团队。
- �� 角色生成：每个专家拥有不同专业背景（如心脏科、呼吸科等），通过persona-conditioning实现角色差异。
- �� 轮次一：专家评估病例相关性，提出初步诊断。
- �� 轮次二：模拟临床初步处理（如急诊处理），各专家进行筛查。
- �� 轮次三：专家独立提出诊断列表，反映不同视角。
- �� 轮次四：合并诊断，去重，形成候选清单。
- �� 轮次五：专家辩论，支持、反对、质疑，逐步细化诊断。
- �� 轮次六：投票排序，结合启发式指标（如诊断深度、行动性）生成最终差异诊断。
- �� 轮次七：安全检查，识别潜在危急诊断，确保临床安全。
实验设计
采用Open-XDDx基准，涵盖570个病例，评估指标包括召回率、精确率和F1分数。对比单模型、双模型、以及不同轮次和专家数量的ablation。模型使用Qwen-2.5、Gemma、Claude等多模型，调节温度参数（0.3和0.7），确保公平性。还进行Best-of-n采样和多模型、多轮对比，验证多专家合作的优势。实验重点在复杂病例和边缘病例的诊断表现，分析不同模型规模和交互轮次的影响。
结果分析
SCoT在570病例中整体召回率提升4-12个百分点，复杂病例中最高提升达15.1个百分点。模型越小，增益越明显，Qwen-2.5-3B模型召回提升11.8个百分点。ablation显示，单模型多轮反而降低召回，验证多专家合作的必要性。Best-of-n采样未达SCoT效果，表明结构化合作优于简单重复。难度越高，SCoT效果越显著，显著改善边缘病例诊断覆盖。
应用场景
该架构适用于临床辅助诊断系统，尤其在复杂病例、多学科会诊场景。结合真实病例数据和微调，可实现更高的临床可信度。未来可扩展多模态信息（影像、检验）融合，提升诊断全面性。对医疗AI研发、临床决策支持和教育培训具有重要推动作用。
局限与展望
模型仍受基础LLM能力限制，难以完全解决偏差和知识盲区。多轮交互增加计算成本，实际应用需优化效率。专家角色设定虽模拟临床，但缺乏真实数据微调，未来需引入真实病例进行验证。
通俗解读 非专业人士也能看懂
想象你在一家大型厨房里做饭，厨师们代表不同的专家：有擅长炒菜的、烘焙的、调味的。每个厨师根据自己的专业，先提出自己认为最好的菜肴，然后大家一起讨论、质疑、改进。经过几轮讨论后，大家投票决定最终的菜单。这个过程让菜肴更丰富、更合口味，也避免了单一厨师的偏见。类似的，SCoT让不同“厨师”——也就是不同专家——合作，逐步找到最合适的诊断方案。每轮讨论都像厨房里的品尝和调整，最后大家一致认可的菜单，就是最终的诊断。这样合作的好处是，能发现单个厨师可能遗漏的美味，确保菜肴（诊断）更全面、更准确。
简单解释 像给14岁少年讲一样
你可以把这个方法想象成一群朋友在一起玩游戏，每个人都擅长不同的角色。有的人是策略大师，有的人是战术专家，还有的人负责观察。开始时，每个人都提出自己觉得最厉害的战术，然后大家一起讨论、质疑，最后投票决定用哪个战术。每轮都这样反复，直到大家都觉得最棒的战术出现了。这个过程让大家的想法融合得更好，也避免了只听一个人的意见。这个方法就像是在帮医生找出最正确的诊断方案，多个“专家”合作，能找到更全面、更准确的答案。就像你和朋友一起玩策略游戏，合作比单打独斗更容易赢！
原文摘要
Medical diagnostic reasoning is a high-impact use case for LLMs that carries significant implications for the health and wellbeing of users. When OpenAI (2026) reports that more than 5% of ChatGPT messages globally are healthcare-related, the transparency of these systems becomes a serious design concern. This is especially true for complex cases, where differential diagnosis often requires integrating multiple forms of specialist reasoning. Existing work has proposed multi-agent approaches to medical diagnosis, but it remains unclear when such systems are needed, why they help, and where they outperform monolithic inference. We introduce Social Chain of Thought (SCoT),a multi-round pipeline for medical differential diagnosis that structures multi-agent interaction as a deliberative framework for collabora. tive LLM reasoning. Evaluating SCoT against single-agent baselines, one-agent pipeline ablations, and best-of-n scaling, we show that its recall advantage is not reproduced by monolithic inference alone. SCoT is most successful in the hardest diagnostic cases, where multiple rounds of specialist conversation help recover ground-truth diagnoses and converge on a higher-recall differential.