SCOPE：用于临床试验数据的混合查询规划
计算与语言
2026-05-04 v2
摘要
我们研究了临床试验表格推理问题，其中答案不直接存储在可见单元格中，而是必须通过规范化、分类、提取或轻量级领域推理进行语义理解。我们发现当前的大语言模型方法常因隐式规划假设而出现“推理不佳”。因此，我们聚焦于模型必须从部分观察到的临床试验表格中恢复隐式属性（如治疗类型、添加剂物、终点角色或随访状态）的情境。我们提出 SCOPE（Structured Clinical hybrid Planning for Evidence retrieval in clinical trials，结构化临床混合规划用于临床试验证据检索），一个基于多 LLM 规划器的框架，将任务分解为行选择、结构化规划和执行。规划器在答案生成前使源字段、推理规则和输出约束显式化，从而减少了相对于直接提示的模糊性。我们在 1500 题关于肿瘤临床试验表格的混合推理问题上对 SCOPE 进行评估，分别与零-shot、few-shot、链式思维、TableGPT2、Blend-SQL 和 EHRAgent 进行比较。结果表明，显式的多 LLM 规划在推理类问题上提高了准确率，同时在准确率-效率权衡方面优于更重的智能体基线。我们的发现将临床试验推理定位为一个独特的表格理解问题，并突显了混合规划器分解作为有效解决方案的作用。
引用
@article{arxiv.2604.25120,
title = {SCOPE:Planning for Hybrid Querying over Clinical Trial Data},
author = {Suparno Roy Chowdhury and Manan Roy Choudhury and Tejas Anvekar and Muhammad Ali Khan and Kaneez Zahra Rubab Khakwani and Mohamad Bassam Sonbol and Irbaz Bin Riaz and Vivek Gupta},
journal= {arXiv preprint arXiv:2604.25120},
year = {2026}
}