医学研究筛选的人工智能代理：因果增强方法
人工智能
2026-01-07 v1
摘要
系统综述是证据医学的必备工具，但每年有 150 万篇以上文献需要人工筛选显然不可行。当前的人工智能方法在系统综述任务中存在幻觉问题，早期模型报告的幻觉率为 28-40%，而现代实现方案为 2-15%，这在错误影响患者护理时不可接受。我们提出一种集成显式因果推理的检索增强生成系统，采用双层知识图构建。该方法强制执行以证据为导向的协议，确保每个因果论断都可追溯至检索到的文献，并自动生成可视化干预-结局通道的有向无环图。针对 234 篇痴呆运动摘要进行评估，CausalAgent 达到 95% 的准确率、100% 的检索成功率和 0% 的幻觉率，而基准人工智能仅为 34% 的准确率和 10% 的幻觉率。自动生成的因果图实现了显式机制建模、可视化综述和增强可解释性。虽然本证据概念评估仅针对十个关于痴呆运动研究的提问，但该架构方法展示了面向可信医学人工智能的可迁移原则以及因果推理在高风险医疗护理中的潜力。
引用
@article{arxiv.2601.02814,
title = {Causal-Enhanced AI Agents for Medical Research Screening},
author = {Duc Ngo and Arya Rahgoza},
journal= {arXiv preprint arXiv:2601.02814},
year = {2026}
}
备注
for submission to The 39th Canadian Conference on Artificial Intelligence