MedBayes-Lite：用于安全临床决策支持的贝叶斯不确定性量化
人工智能
2026-04-01 v2
摘要
我们提出了 MedBayes-Lite，一种用于基于转换器的临床语言模型的轻量级贝叶斯增强，通过不确定性感知预测提高可靠性。该框架无需重新训练、无需修改网络结构或添加额外可训练参数，集成了三个组件：通过蒙特卡罗 dropout 实现贝叶斯嵌入校准、用于可靠性感知 token 聚合的不确定性加权注意力机制，以及用于在不确定性下 abstention 的置信度引导决策塑造。跨 MedQA、PubMedQA 和 MIMIC-III，MedBayes-Lite 在校准和可信度方面取得改进，降低 32--48% 的过度自信。在模拟临床场景中，它通过标记不确定预测供人工审核进一步支持更安全的决策，尤其在分布迁移下。对于封闭式 API 模型，该框架可通过基于抽样的预测不确定性和置信度引导的 abstention 方式实现，同时对开放权重转换器模型进行完整的嵌入和注意力层级不确定性传播评估。
关键词
引用
@article{arxiv.2511.16625,
title = {MedBayes-Lite: Bayesian Uncertainty Quantification for Safe Clinical Decision Support},
author = {Elias Hossain and Md Mehedi Hasan Nipu and Maleeha Sheikh and Rajib Rana and Subash Neupane and Niloofar Yousefi},
journal= {arXiv preprint arXiv:2511.16625},
year = {2026}
}