通过强化优化LLM推理的神经退行性痴呆可解释诊断框架
机器学习
2025-05-27 v1 计算与语言
摘要
神经退行性痴呆的鉴别诊断是一项具有挑战性的临床任务，主要原因是症状表现的重叠以及结构神经影像中观察到模式的相似性。为了提高诊断效率和准确性，人们提出了基于深度学习的方法，如卷积神经网络和视觉 Transformer，用于脑部 MRI 的自动分类。然而，尽管这些模型具有很强的预测性能，但由于其决策过程不透明，它们在临床上的应用有限。在本工作中，我们提出了一个集成两个核心组件的框架以增强诊断透明度。首先，我们引入了一个模块化流程，用于将 3D T1 加权脑部 MRI 转换为文本放射学报告。其次，我们探索了现代大语言模型（LLM）在基于生成的报告协助临床医生对额颞叶痴呆亚型、阿尔茨海默病和正常衰老进行鉴别诊断方面的潜力。为了弥合预测准确性和可解释性之间的差距，我们采用强化学习来激励 LLM 中的诊断推理。无需监督推理轨迹或从更大模型中蒸馏，我们的方法使得基于神经影像发现的结构化诊断依据得以涌现。与事后回顾性解释模型决策的可解释性方法不同，我们的框架将诊断依据的生成作为推理过程的一部分，产生能够告知并指导模型决策过程的因果依据解释。如此一来，我们的框架在匹配现有深度学习方法的诊断性能的同时，提供了支持其诊断结论的依据。
引用
@article{arxiv.2505.19954,
title = {An Explainable Diagnostic Framework for Neurodegenerative Dementias via Reinforcement-Optimized LLM Reasoning},
author = {Andrew Zamai and Nathanael Fijalkow and Boris Mansencal and Laurent Simon and Eloi Navet and Pierrick Coupe},
journal= {arXiv preprint arXiv:2505.19954},
year = {2025}
}