[论文笔记•(多智能体)]LLMs Can Simulate Standardized Patients via Agent Coevolution

一、一句话总结

该研究针对标准化病人（SPs）训练医疗人员成本高、对 SP 身心健康有潜在负面影响的问题，提出EvoPatient 框架 ------ 一种基于多智能体协同进化的虚拟 SP 模拟方案，通过病人智能体 与医生智能体 的多轮对话模拟诊断流程（含主诉生成、分诊、问诊、结论阶段），依托注意力库 和轨迹库实现无监督协同进化，在仅提供 SP 总体需求的情况下，经 200 个病例、10 小时进化后，需求对齐度较现有推理方法提升超 10%，同时优化资源消耗（平均响应时间 6.6922 秒、每答案 token 数 401.5882），还具备优异的泛化性（跨疾病迁移时相关指标平均提升 3.8%-18.1%），可有效用于人类医生训练，框架代码将开源于https://github.com/ZJUMAI/EvoPatient。

二、论文基本信息

单位：浙江大学

会议：ACL2025 main

阅读时间：2025.10.27

论文地址： LLMs Can Simulate Standardized Patients via Agent Coevolution - ACL Anthology

**代码：**https://github.com/ZJUMAI/EvoPatient

测试

三、研究的核心问题和背景

标准化病人（SPs）的作用与局限
- 作用：作为经专业训练的人员，模拟真实病人的症状、病史和情绪状态，在可控环境中提升医疗人员的临床技能、沟通能力和诊断推理能力（引用 Barrows, 1993 等研究）。
- 局限：① 训练和运营成本极高，需大量医学知识和角色专项练习（Levine et al., 2013）；② 沉浸式工作可能对 SP 身心健康产生负面影响，如需应对角色相关焦虑（Spencer and Dales, 2006）。
现有虚拟 SP 方案的不足
- 规则驱动数字病人：预定义规则和定制对话框架无法捕捉真实病人病情与沟通的复杂性（Othlinghaus-Wulhorst and Hoppe, 2020）。
- LLM-based SP：① 需兼顾 "具备医学知识" 与 "模拟无医学认知病人（隐瞒关键信息）" 的双重角色，仅靠提示工程难以满足要求；② 现有研究（如 Yu et al., 2024 的知识图谱检索、Louie et al., 2024 的专家反馈）未解决 "将信息转化为 SP 标准化表达" 问题，且存在人力密集、泛化性有限的问题。

四、现有方法面临的挑战

五、解决思路

EvoPatient 是无监督、无需权重更新的多智能体协同进化框架，核心目标是让 LLM 模拟 SP 以支持医生训练。

六、框架及具体实现

模拟流程（Simulated Flow）

功能：以真实医疗记录为输入，将诊断过程建模为结构化阶段，作为模拟工作流，支持场景定制且无需调整通信协议。

关键阶段：

阶段	核心内容
主诉生成（Chief Complaint Generation）	病人智能体基于医疗记录生成主诉，通过 "模糊化处理"（移除医疗检测结果、随机句子 dropout）模拟真实病人信息不精确性
分诊（Triage）	医生智能体根据相似主诉从库中检索历史分诊数据，将病人分配至对应专科
问诊（Interrogation）	医生与病人智能体多轮对话，若病情超当前医生专业范围，可招募其他专科医生，此阶段对话密度高、经验积累多
结论（Conclusion）	医生智能体整合信息给出最终诊断，结束模拟

补充机制：问诊阶段加入 "病人危机"（如突发疼痛询问），提升模拟真实性，训练医生应急处理能力。

模拟智能体对（Simulated Agent Pair）

病人智能体（Simulated Patient Agent）
- 画像设计：构建5000 个涵盖家庭、教育、经济状况及大五人格特质（McCrae and Costa, 1987）的病人画像，提升回答真实性。
- 技术支撑：采用检索增强生成（RAG） 技术（Lewis et al., 2020），从记录中提取相关信息生成答案，避免长上下文信息丢失。
医生智能体（Simulated Doctor Agent）
- 问题生成优化：① 提供病人记录和设计画像，引导医生构建专业问题库；② 支持多学科咨询招募，当病情超专业范围时，可动态招募其他专科医生，招募过程遵循拓扑排序形成有向无环图（DAG），避免信息回流。
- 记忆机制：采用 "即时记忆 + 总结记忆"，前者维持近期对话连续性，后者整合关键信息，减轻上下文负担（Liu et al., 2024），确保问题非随意生成。

协同进化机制（Coevolution）

通过两个库实现智能体自主进化，无需人工监督：

注意力库（Attention Library）
- 功能：将 SP 需求拆分为多个分支，由注意力智能体提取关键需求形成 "注意力需求（rₐ）"，若生成答案优质，以 < 问题，记录，答案，注意力需求 > 四元组存储，作为病人智能体的少样本演示和优化需求。
- 检索逻辑：新问题到来时，通过文本嵌入器计算相似度（阈值 0.9），检索 Top-k 匹配结果辅助回答。
轨迹库（Trajectories Library）
- 功能：存储高质量对话轨迹（tᵢ），以（qⱼ₋₁,aⱼ₋₁,qⱼ,aⱼ）形式记录问题 - 答案序列，医生智能体可提取 "对话捷径"，生成更专业高效的问题，反哺病人智能体进化。
- 收敛条件：连续 6 个病例无新内容加入库中，进化停止。

七、实验

3.3.1 实验基础信息

数据集 ：共20000 + 个不同病例，涵盖阑尾炎、鼻咽癌、肿瘤等，来源包括：① 合作医院的去标识化记录（经伦理审批）；② 公开数据集 MTSamples（2023）、MIMIC II（Saeed et al., 2011）。
基线方法：Chain-of-Thought（CoT）、CoT-SC（3）、Tree-of-Thought（ToT）、Self-Align、Few-shot（2）、Online Library。
模型与参数：中文数据用 Qwen 2.5 72B，英文数据用 GPT-3.5-Turbo，温度参数 1；默认训练病例 200 个，最大对话轮次 10，每轮插入 5 个欺骗性问题。

评估指标：

评估对象	指标名称	指标定义	取值范围
病人答案	相关性（α）	答案是否直接完整回答问题、无冗余，用问题与答案语义嵌入的余弦距离量化	[0,1]
病人答案	忠实性（β）	答案是否可从医疗信息推导且符合 SP 需求	[0,1]
病人答案	稳健性（γ）	答案是否泄露医生不应轻易获取的信息（如疾病名称）	[0,1]
病人答案	综合能力（Ability）	（α+β+γ）/3，衡量病人智能体整体表现	[0,1]
医生问题	特异性	问题是否精准、聚焦病人病例的特定症状 / 情况	-
医生问题	针对性（ε）	问题是否为收集诊断必要信息而设计	[0,1]
医生问题	专业性（ζ）	问题是否体现医学原理与实践理解	[0,1]
医生问题	综合质量（Quality）	整合特异性、针对性、专业性的整体指标	-

3.3.2 核心实验结果

总体性能对比：EvoPatient 在所有指标上显著优于基线，具体数据如下表（部分关键指标）：

方法	相关性（α）	忠实性（β）	稳健性（γ）	综合能力（Ability）
CoT	0.7157†	0.5571†	0.6714†	0.6481†
ToT	0.7469†	0.7143†	0.7714†	0.7442†
Self-Align	0.7205†	0.7273†	0.8148†	0.7542†
Few-shot（2）	0.7252†	0.7419†	0.8207†	0.7626†
EvoPatient	0.7589	0.8786	0.9412	0.8597
注：†表示与 EvoPatient 存在显著统计差异（p≤0.05）

资源消耗优化：EvoPatient 在响应时间、token 数、单词数上均体现高效性，具体如下表：

方法	平均响应时间（秒）	每答案 token 数	每答案单词数
CoT	4.7500	782.0571	45.7429
ToT	21.7040	2679.3428	38.9143
Few-shot（2）	4.7182	959.4355	35.6334
EvoPatient	6.6922	401.5882	32.2432
注：EvoPatient 较 CoT 减少 380.4689 个 token，减少 13.4997 个单词

泛化性与迁移性：在鼻咽癌 100 个病例上训练后，直接迁移到其他 5 种疾病，相关指标平均提升：
- 相关性：3.8%
- 忠实性：13.8%
- 稳健性：18.1%
- 综合质量：12.0%
信息泄露缓解：进化前病人智能体易泄露疾病名称等关键信息（如回答 "我的鼻咽癌复发"），进化后可有效识别并拒绝欺骗性问题，在人类和 GPT-4 评估中，偏好率显著高于基线。

3.3.3 医生智能体专项分析

组件有效性：医生智能体的 "进化机制""问题库""画像" 三大组件均对性能有正向贡献，组合后综合质量从 0.4010 提升至 0.5667，问诊相关问题占比从 14.09% 提升至 25.57%。
招募策略影响 ：DAG 结构的招募策略优于树状、链式结构，平衡库的积累速度与数量；多学科招募使问题多样性提升，同时保证专业性，注意力库积累率显著提高。
，组合后综合质量从 0.4010 提升至 0.5667，问诊相关问题占比从 14.09% 提升至 25.57%。
招募策略影响：DAG 结构的招募策略优于树状、链式结构，平衡库的积累速度与数量；多学科招募使问题多样性提升，同时保证专业性，注意力库积累率显著提高。