超越相关性：迈向生物医学中的因果大语言模型智能体
人工智能
2025-05-23 v1 医学物理
摘要
大语言模型（LLMs）在生物医学领域展现出前景，但缺乏真正的因果理解，而是依赖相关性。本论文设想了能够整合多模态数据（文本、图像、基因组学等）并执行基于干预的推理以推断因果关系的因果LLM智能体。实现这一目标需要克服关键挑战：设计安全、可控的智能体框架；开发严格的因果评估基准；整合异构数据源；以及协同结合LLMs与结构化知识（知识图谱）和形式化因果推断工具。此类智能体有望开启变革性机遇，包括通过自动化假设生成与模拟加速药物发现，以及通过患者特定的因果模型实现个性化医疗。本研究议程旨在促进跨学科努力，桥接因果概念与基础模型，以开发可靠的AI伙伴推动生物医学进步。
引用
@article{arxiv.2505.16982,
title = {Beyond Correlation: Towards Causal Large Language Model Agents in Biomedicine},
author = {Adib Bazgir and Amir Habibdoust Lafmajani and Yuwen Zhang},
journal= {arXiv preprint arXiv:2505.16982},
year = {2025}
}