主要内容本文提出了一种名为DocCHA的基于大型语言模型（LLM）的增强型交互式在线诊断系统，旨在解决现有对话式健康代理（CHAs）静态、脆弱，缺乏自适应多轮推理、症状澄清和透明决策能力的问题，以提升其在临床诊断中的实际适用性。DocCHA采用模块化、置信度感知的框架，将诊断过程分解为三个核心阶段：症状收集模块：基于鉴别诊断价值和结构化属性（如持续时间、严重程度）的完整性识别高影响症状，通过双评分控制器（覆盖率+细节）决定是否询问新症状或细化现有症状。病史获取模块：针对暴露史、用药史、慢性病等背景信息，通过评分覆盖率、与诊断候选的语义相关性及表达确定性来控制提问深度。因果图构建模块：将收集的症状和病史整合为结构化诊断推理链，基于临床连贯性和与医学知识库（如UMLS）的一致性评分，弱链接会触发针对性随访。在两个真实世界中文咨询数据集（IMCS21、DX）上的评估显示，DocCHA持续优于基于强提示的LLM基线（GPT-3.5、GPT-4o、LLaMA-3），诊断准确率最高提升5.18%，症状召回率提升超30%，且对话轮次仅适度增加，验证了其在结构化、透明和高效诊断对话中的有效性。创新点提出了DocCHA这一模块化、置信度驱动的诊断框架，通过结构化症状引导、病史探查和因果图细化，模拟多轮临床推理。开发了新的评分机制，包括症状细节效用评分、病史置信度估计评分以及因果推理中的弱链接识别评分。/
