CURE: Vertrauensgesteuertes einheitliches Ensemble-Framework für medizinische Fragenbeantwortung

Leistungsstarke medizinische Large Language Models (LLMs) erfordern typischerweise umfangreiches Fein-Tuning mit erheblichen Rechenressourcen, was die Zugänglichkeit für ressourcenbeschränkte Gesundheitseinrichtungen einschränkt. Diese Studie stellt ein vertrauensgesteuertes Multi-Modell-Framework vor, das die Modellvielfalt nutzt, um die medizinische Fragenbeantwortung ohne Fein-Tuning zu verbessern. Unser Framework verwendet eine zweistufige Architektur: Ein Vertrauensdetektionsmodul bewertet die Sicherheit des Hauptmodells, und ein adaptiver Routing-Mechanismus leitet Anfragen mit geringer Sicherheit an Helper-Modelle mit komplementärem Wissen zur kollaborativen Argumentation weiter. Wir evaluieren unseren Ansatz mit Qwen3-30B-A3B-Instruct, Phi-4 14B und Gemma 2 12B über drei medizinische Benchmarks; MedQA, MedMCQA und PubMedQA. Die Ergebnisse zeigen, dass unser Framework eine wettbewerbsfähige Leistung erzielt, mit besonders starken Ergebnissen bei PubMedQA (0,95) und MedMCQA (0,78). Ablationsstudien bestätigen, dass vertrauensbewusstes Routing kombiniert mit Multi-Modell-Zusammenarbeit Einzelmodellansätze und uniforme Argumentationsstrategien deutlich übertrifft. Diese Arbeit zeigt, dass strategische Modellzusammenarbeit einen praktischen und recheneffizienten Weg bietet, medizinische KI-Systeme zu verbessern, mit bedeutenden Implikationen für die Demokratisierung des Zugangs zu fortschrittlicher medizinischer KI in ressourcenlimitierten Umgebungen.