MIND：基于准则支撑的精神科咨询统一询问与诊断强化学习
微分几何
2026-03-05 v1
摘要
大型语言模型（LLMs）已推动医学对话系统发展，但精神科咨询提出了显著更高的要求：代理必须从不完整且不一致的患者报告中持续提取精神病理线索，并在多轮交互中进行严谨的差异诊断推理。然而，现有方法面临两个根本性挑战。首先，缺乏准则支撑的临床支持，使得在症状非典型或未明确描述时容易做出不受支持的临床断言。其次，在多轮交互中，它们难以缓解询问偏移（离题或低产提问）并优化询问策略。为此，我们提出MIND，一个用于精神科咨询的统一询问-诊断强化学习框架。具体而言，我们构建了一个准则支撑的精神科推理库（PRB），将对话情境总结为临床检索状态，检索相似的参考咨询记录，并提炼出可重用的准则支撑临床支持，以指导准则对齐的询问和推理。在此基础上，MIND 通过基于评级的过程奖励强制执行明确的临床推理，以对中间决策步骤提供细粒度监督，并纳入基于价值的轨迹纠正机制，以在多轮中联合改进信息获取和诊断决策。广泛的实验表明，MIND 在诊断准确性、共情互动质量、可解释性和泛化能力方面 consistently 优于强大基线。
引用
@article{arxiv.2603.03676,
title = {Minimal hypersurfaces in spheres generated by isoparametric foliations},
author = {Junqi Lai and Guoxin Wei},
journal= {arXiv preprint arXiv:2603.03676},
year = {2026}
}