使用大语言模型与回答集编程的可解释疾病诊断概念验证
人工智能
2026-01-01 v1
摘要
准确的疾病预测对于及时干预、有效治疗和减少医疗并发症至关重要。虽然符号 AI 已应用于医疗保健领域，但由于构建高质量知识库所需的工作量，其采用仍然有限。本工作引入了 McCoy，一个结合大语言模型 (LLM) 与回答集编程 (ASP) 的框架，以克服这一障碍。McCoy 协调 LLM 将医学文献翻译为 ASP 代码，将其与患者数据结合，并使用 ASP 求解器进行处理以得出最终诊断。这种整合产生了一个稳健、可解释的预测框架，利用了两种范式的优势。初步结果表明 McCoy 在小规模疾病诊断任务上具有强劲的性能。
引用
@article{arxiv.2512.23932,
title = {A Proof-of-Concept for Explainable Disease Diagnosis Using Large Language Models and Answer Set Programming},
author = {Ioanna Gemou and Evangelos Lamprou},
journal= {arXiv preprint arXiv:2512.23932},
year = {2026}
}