CORE-Acu：结构化推理痕迹与针灸临床决策支持中的知识图谱安全验证

大型语言模型（LLM）在临床决策支持（CDS）方面展现出巨大的潜力，但其黑箱特性——即推理不可追溯且存在概率性幻觉——在针灸领域构成严重挑战，该领域要求严格的可解释性和安全性。为此，我们提出了CORE-Acu——一种用于针灸临床决策支持的神经符号框架，将结构化链式思考（S-CoT）与知识图谱（KG）安全验证相结合。首先，我们构建了首个针灸结构化推理痕迹数据集和模式受限的微调框架。通过强制从模式识别到治疗原则、治疗方案及针刺选择的明确因果链，我们将隐式的中医推理转化为可解释的生成约束，从而缓解LLM-Based CDS的不透明性。此外，我们构建了中医安全知识图谱，并基于符号否决机制建立了“生成—验证—修正”闭环推理系统，以确定性规则拦截幻觉并强制执行严格的安全边界。最后，我们引入了词汇匹配实体加权损失（Lexicon-Matched Entity-Reweighted Loss, LMERL），通过在微调期间对高风险实体的梯度贡献进行自适应放大，纠正由于频率—重要性不匹配导致的术语漂移。对1000例留置数据中的实验表明，CORE-Acu在实体保真度和推理质量方面均表现出优势。关键的是，CORE-Acu在95%置信区间（0—0.37%）下实现了0/1000次观察到的安全违规，而GPT-4o在相同规则下则出现了8.5%的违规率。这些结果表明，CORE-Acu作为一种可靠的神经符号框架，为针灸临床决策提供了推理可审计性和严格的安全合规性。