KRAL：面向LLM辅助临床抗菌治疗的知识与推理增强学习
人工智能
2025-11-27 v4
摘要
临床抗菌治疗需要动态整合病原体特征、宿主因素、抗菌药物的药理特性以及感染的严重程度。这种复杂性对LLM在高风险临床决策中的应用提出了根本性限制，包括知识缺口、数据隐私问题、部署成本高及推理能力有限等。为此，本文提出KRAL（Knowledge and Reasoning Augmented Learning），一种低成本、可扩展且隐私保护的范式，利用教师模型推理自动通过答案到问题逆生成提炼知识与推理轨迹，采用启发式学习实现半监督数据增强（约减少80%的手动标注需求），并利用智能体强化学习在提升医学知识与推理能力的同时优化计算和内存效率。采用分层评估体系减少评估成本，模块化接口设计便于系统更新。实验结果表明，KRAL显著优于传统检索增强生成（RAG）和监督微调（SFT）方法。在知识问答能力（MEDQA外部开源基准Accuracy@1提升1.8%）和推理能力（PUMCH Antimicrobial基准Pass@1提升27%）方面实现了约20%的SFT长期训练成本，为本地LLM临床诊断能力提供了有效解决方案，实现低成本、高安全性的复杂医疗决策支持部署。
引用
@article{arxiv.2511.15974,
title = {KRAL: Knowledge and Reasoning Augmented Learning for LLM-assisted Clinical Antimicrobial Therapy},
author = {Zhe Li and Yehan Qiu and Yujie Chen and Xiang Zhou},
journal= {arXiv preprint arXiv:2511.15974},
year = {2025}
}