摘要
序贯诊断需要在迭代信息收集过程中平衡诊断准确性与资源成本。现有的大语言模型方法存在关键的知识-推理鸿沟：尽管编码了广泛的医学知识，它们在成本约束下难以进行系统性推理，常常导致过度检查。我们提出 GraphDx，一个知识增强框架，包含两项核心创新。首先，我们设计了一条自动化流水线，利用大语言模型构建具有量化典型性、以行动为中心的拓扑结构以及面向诊断相关性与成本敏感性的双目标属性的医学诊断知识图谱。其次，我们引入了三个协作智能体（感知、推理与决策），其中感知智能体与决策智能体负责语言理解与生成，而推理智能体在医学诊断知识图谱上执行确定性证据评分与成本感知规划。在 MedQA 和 MIMIC-IV 数据集上，基于三个大语言模型骨干（DeepSeek-V3、Kimi-k2、Llama-3.3）的实验表明，GraphDx 将诊断成功率从 50–68% 提升至 79–93%，同时将测试成本降低 20–54%，为自动化临床诊断提供了一种稳健、经济且可解释的解决方案。