医学模型合成架构：案例研究

医学领域充满了高风险的不确定性。医生在做出临床判断和决策时，经常需要权衡许多基本的未知因素，例如预测可能导致患者症状的原因，或决定下一步尝试何种治疗方案。尽管人们对开发在临床环境中辅助甚至替代医生的 AI 系统的兴趣日益浓厚，但目前的系统在不确定性下的校准推理方面仍存在困难，且其推理过程往往极不透明。我们提出了一个 AI 系统框架，能够在不确定性下做出实用且形式上透明的临床预测。给定一个临床情境，我们的框架（MedMSA）使用语言模型来检索相关的先验知识，但构建了一个形式化的概率模型，以支持不确定性下校准且可验证的推断。我们展示了该框架的初步概念验证如何用于鉴别诊断，生成一个能解释患者症状的、经不确定性加权的潜在诊断列表，并讨论了将该框架更广泛地应用于安全临床协作的未来应用和方向。