MedCEG：通过关键证据图强化可验证医学推理
人工智能
2025-12-16 v1
摘要
具备推理能力的大型语言模型在广泛领域展现了惊人的性能。在临床应用中，透明的、逐步的推理过程为医生提供了强大的证据支持决策。虽然强化学习有效提升了医学情境下的推理性能，但这些推理过程的临床可靠性仍受限，因为其准确性和有效性往往在训练期间被忽视。为此，我们提出MedCEG，一种通过关键证据图（CEG）对医学语言模型进行增强，以通过对推理过程进行显式监督来实现临床上有效的推理路径。我们收集了一组具有挑战性的临床案例，并通过算法构建每个样本的CEG，以表示高质量的可验证推理路径。为引导推理过程，我们引入一种临床推理程序奖励，评估节点覆盖率、结构正确性和链条完整性，从而对推理质量进行整体评估。实验结果表明，MedCEG 在性能上超越了现有方法，同时生成临床上有效的推理链，标志着可靠医学AI推理的重大进展。代码和模型已提供，链接为 https://github.com/LinjieMu/MedCEG。
引用
@article{arxiv.2512.13510,
title = {MedCEG: Reinforcing Verifiable Medical Reasoning with Critical Evidence Graph},
author = {Linjie Mu and Yannian Gu and Zhongzhen Huang and Yakun Zhu and Shaoting Zhang and Xiaofan Zhang},
journal= {arXiv preprint arXiv:2512.13510},
year = {2025}
}