GraphWalker：用于电子健康记录临床推理的图引导上下文学习
机器学习
2026-04-09 v1
摘要
电子健康记录（EHR）上的临床推理是现代医疗保健中一项基础但具有挑战性的任务。虽然上下文学习（ICL）为大型语言模型（LLM）在 EHR 推理中提供了一种有前景的推理时适应范式，但现有方法面临三个基本挑战：（1）视角局限性，即数据驱动的相似性无法与 LLM 推理需求对齐，而模型驱动的信号受限于有限的临床能力；（2）队列感知，即演示的选择是独立进行的，没有对群体级结构进行建模；（3）信息聚合，即忽略了演示之间的冗余和交互效应，导致边际收益递减。为应对这些挑战，我们提出了 GraphWalker，一个面向 EHR 的 ICL 的原则性演示选择框架。GraphWalker (i) 通过整合数据驱动和模型驱动的视角，联合建模患者临床信息和 LLM 估计的信息增益，(ii) 结合了队列发现以避免噪声局部最优，以及 (iii) 采用带前沿扩展的惰性贪心搜索算法来缓解信息聚合中的边际收益递减问题。在多个真实世界 EHR 基准上的大量实验表明，GraphWalker 持续优于最先进的 ICL 基线，在临床推理性能上带来了显著提升。我们的代码已在 https://github.com/PuppyKnightUniversity/GraphWalker 开源。
引用
@article{arxiv.2604.06684,
title = {GraphWalker: Graph-Guided In-Context Learning for Clinical Reasoning on Electronic Health Records},
author = {Yue Fang and Weibin Liao and Yuxin Guo and Jiaran Gao and Hongxin Ding and Jinyang Zhang and Xinke Jiang and Zhibang Yang and Junfeng Zhao and Yasha Wang and Liantao Ma},
journal= {arXiv preprint arXiv:2604.06684},
year = {2026}
}