Agentic large language models improve retrieval-based radiology question answering

文章主要内容总结

本文聚焦于放射学问答（QA）任务，提出了一种基于智能体（agentic）的检索增强生成（RAG）框架，以解决传统RAG系统单步检索的局限性。该框架让大语言模型（LLMs）能够自主分解放射学问题、迭代从Radiopaedia.org检索目标临床证据，并动态合成基于证据的回答。

研究评估了24个不同架构、参数规模（0.5B至>670B）和训练范式（通用、推理优化、临床微调）的LLM，使用104个来自RSNA-RadioQA和ExtendedQA数据集的专家精选问题。结果显示：

• 智能体检索的平均诊断准确率（73%）显著高于零样本提示（64%）和传统在线RAG（68%）；
• 中小型模型（如Mistral Large、Qwen 2.5-7B）受益最显著，准确率提升可达9%-16%，而超大型模型（>200B参数）提升不足2%；
• 智能体检索减少了幻觉（平均9.4%），46%的案例中检索到临床相关内容，增强了事实依据；
• 即使是临床微调模型（如MedGemma-27B）也能通过该框架提升性能，表明检索与微调具有互补作用。

创新点

1. 提出智能体RAG框架：突破传统单步检索限制，实现问题自主分解、迭代检索和动态合成，提升复杂临床推理能力。
2. 系统评估多维度LLM：覆盖24种不同参数规模、架构和训练范式的模型，揭示模型规模与智能体检索效果的关联（中小型模型受益显著，超大型模型提升有限）。
3. 验证检索与