重新思考可解释疾病预测：通过反思认知架构实现准确性与可靠性的协同
人工智能
2026-02-10 v2
摘要
在临床决策中，预测模型面临持续的权衡：准确的模型常常是透明的“黑箱”，而可解释的方法则常常缺乏预测精度或统计依据。本文挑战了这一二元对立，认为高预测准确性与高质量描述性解释并非竞争目标，而是深入理解数据后，反思认知架构（Reflective Cognitive Architecture, RCA）是一个设计用于使大型语言模型（Large Language Models, LLMs）通过经验和反思直接从表格数据中学习的新型框架。RCA集成了两个核心机制：一个迭代规则优化过程通过学习预测错误来细化逻辑论证，以及一种分布感知规则检查将该逻辑 grounded 在全局统计证据中以确保稳健性。我们在包括专有真实世界导管相关栓塞（Catheter-Related Thrombosis, CRT）队列于内的多样化医疗数据集上对RCA进行了评估，针对两个大规模数据集扩展了评估以展示实际可扩展性。结果确认RCA实现了最先进的预测性能和对数据噪声的优异鲁棒性，同时生成清晰、逻辑且基于证据的解释性陈述，即使在大规模情况下也能保持有效性。代码已提供：https://github.com/ssssszj/RCA。
引用
@article{arxiv.2509.21266,
title = {Rethinking Explainable Disease Prediction: Synergizing Accuracy and Reliability via Reflective Cognitive Architecture},
author = {Zijian Shao and Haiyang Shen and Mugeng Liu and Gecheng Fu and Yaoqi Guo and Yanfeng Wang and Yun Ma},
journal= {arXiv preprint arXiv:2509.21266},
year = {2026}
}
备注
under review