CLIN-LLM：面向临床诊断与治疗生成的安全约束混合框架
摘要
准确的症状-疾病分类和临床依据的治疗建议仍具有挑战性，尤其是在高诊断风险的异构患者场景中。现有的大型语言模型（LLM）系统常缺乏医学依据，无法量化不确定性，导致输出不安全。我们提出CLIN-LLM，一个受安全约束的混合管道，集成多模态患者编码、不确定性校准的疾病分类和检索增强的治疗生成。该框架在 1,200 例来自 Symptom2Disease 数据集的临床病例上对 BioBERT 进行微调，并采用 Focal Loss 结合蒙特卡罗 Dropout 实现对免费文本症状和结构化生命体征的置信感知预测。低置信度案例（18%）会自动标记为专家审核，确保人工监督。对于治疗生成，CLIN-LLM 使用 Biomedical Sentence-BERT 从 26 万样本的 MedDialog 语料库中检索出 top-k 个相关对话。检索到的证据和患者上下文输入到微调的 FLAN-T5 模型进行个性化治疗生成，然后通过 RxNorm 进行抗生素管理和药物-药物相互作用（DDI）筛查后处理。CLIN-LLM 在准确率和 F1 分数上达到 98%，相较于 ClinicalBERT 提升 7.1%（p < 0.001），检索精度为 78%（top-5），临床医生评估有效性为 5 分中的 4.2 分。不安全的抗生素建议比 GPT-5 减少 67%。这些结果表明 CLIN-LLM 在鲁棒性、可解释性和临床安全性方面具有优势。该系统提供了一个可部署的、人类在回路中的决策支持框架，适用于资源受限的医疗环境。未来工作包括集成影像和实验室数据、多语言扩展以及临床试验验证。
引用
@article{arxiv.2510.22609,
title = {CLIN-LLM: A Safety-Constrained Hybrid Framework for Clinical Diagnosis and Treatment Generation},
author = {Md. Mehedi Hasan and Md. Abir Hossain and Farman Hossain Sayem and Bikash Kumar Paul and Ziaur Rahman and Mohammad Shorif Uddin and Rafid Mostafiz},
journal= {arXiv preprint arXiv:2510.22609},
year = {2026}
}
备注
13 pages, 9 figures. Preprint version under review in the area of Artificial Intelligence (cs.CR)