DoAtlas-1：面向临床AI的因果编译范式
人工智能
2026-02-24 v1
摘要
医学基础模型生成叙事性解释，但无法量化干预效应、检测证据冲突或验证文献论证，这限制了临床可审计性。我们提出了因果编译范式，将医学证据从叙述性文本转化为可执行代码。该范式将异构的研究证据标准化为结构化的估计量对象，每个对象明确指定干预对比、效应尺度、时间范围和目标人群，支持六类可执行因果查询：do-calculus、反事实推理、时间轨迹、异质效应、机制分解和联合干预。我们在DoAtlas-1中实例化了该范式，通过证据标准化、冲突感知图构建和真实世界验证（Human Phenotype Project，10,000名参与者）将754项研究的1,445个效应内核编译为可执行形式。该系统实现了98.5%的标准化准确率和80.5%的查询可执行性。这一范式将医学AI从文本生成转向可执行、可审计和可验证的因果推理。
关键词
引用
@article{arxiv.2602.19158,
title = {DoAtlas-1: A Causal Compilation Paradigm for Clinical AI},
author = {Yulong Li and Jianxu Chen and Xiwei Liu and Chuanyue Suo and Rong Xia and Zhixiang Lu and Yichen Li and Xinlin Zhuang and Niranjana Arun Menon and Yutong Xie and Eran Segal and Imran Razzak},
journal= {arXiv preprint arXiv:2602.19158},
year = {2026}
}