用于生成式药物推荐的细粒度列表对齐
机器学习
2026-05-19 v2
摘要
准确且安全的药物推荐对于有效的临床决策至关重要，特别是在多病共存的情况下。然而，现有系统依赖于逐点预测范式，忽略了药物的协同效应和潜在的不良药物-药物相互作用（DDIs）。我们提出了 FLAME，一个用于大型语言模型（LLMs）的细粒度列表对齐框架，实现了药物列表的逐药生成。FLAME 将推荐公式化为一个序贯决策过程，其中每一步添加或移除一种药物。为了提供细粒度的学习信号，我们设计了基于势函数奖励整形的逐步分组相对策略优化（GRPO），该优化显式地建模了 DDIs，并优化了每种药物对整体处方的贡献。此外，FLAME 通过将结构化临床知识和协同信息整合到 LLMs 的表示空间中，增强了患者建模。在基准数据集上的实验表明，FLAME 实现了最先进的性能，提供了卓越的准确性、可控的安全性与准确性权衡，以及在各种临床场景中强大的泛化能力。我们的代码可在 https://github.com/cxfann/Flame 获取。
引用
@article{arxiv.2505.20218,
title = {Fine-grained List-wise Alignment for Generative Medication Recommendation},
author = {Chenxiao Fan and Chongming Gao and Wentao Shi and Yaxin Gong and Zihao Zhao and Fuli Feng},
journal= {arXiv preprint arXiv:2505.20218},
year = {2026}
}
备注
NeurIPS 2025 Spotlight