知识丰富的语言模型作为黑盒优化器用于个性化医疗
机器学习
2026-02-09 v2 人工智能
摘要
个性化医疗的目标是发现针对患者个人基因和环境因素优化临床结果的治疗方案。然而，无法对候选治疗方案进行随意给药以评估其疗效；我们通常仅获取一种近似真实治疗效应的体外模型。不幸，这类体外模型被证明在面对之前未出现的患者-治疗组合时难以概括。我们假设特定领域的先验知识——如医学教科书和生物医学知识图谱——可为治疗方案的适配性提供有意义的替代信号。为此，我们引入基于大语言模型（LLM）的熵导向优化框架，称为 LEON（LLM-based Entropy-guided Optimization with kNowledgeable priors），这是一种在无需特定任务微调的情况下，将 LLM 作为黑盒优化器的、具有数学原则性的方法，利用其对非结构化领域知识进行上下文化，以提出患者个性化治疗方案。实际中，我们通过‘通过提示优化’实现 LEON，该方法将 LLM 用作提出治疗方案设计的随机引擎。真实世界优化任务的实验表明，LEON 在为患者提出个性化治疗方案方面，优于传统方法和基于 LLM 的方法。
引用
@article{arxiv.2509.20975,
title = {Knowledgeable Language Models as Black-Box Optimizers for Personalized Medicine},
author = {Michael S. Yao and Osbert Bastani and Alma Andersson and Tommaso Biancalani and Aïcha Bentaieb and Claudia Iriondo},
journal= {arXiv preprint arXiv:2509.20975},
year = {2026}
}
备注
63 pages, Accepted to ICLR 2026