SymptomWise：用于可靠高效 AI 系统的确定性推理层
人工智能
2026-04-09 v1
摘要
AI 驱动的症状分析系统在可靠性、可解释性和幻觉方面面临持续挑战。端到端生成方法往往缺乏可追溯性，并可能在安全关键场景中产生不受支持或不一致的诊断输出。我们提出了 SymptomWise，一个将语言理解与诊断推理分离的系统。该系统结合了专家策划的医学知识、确定性代码驱动推理和对大语言模型的受限使用。自由文本输入被映射到经过验证的症状表示，然后由一个在有限假设空间上运作的确定性推理模块进行评估，以产生排序的鉴别诊断。语言模型仅用于症状提取和可选解释，而非诊断推理。该架构提高了可追溯性，减少了不受支持的结论，并支持系统组件的模块化评估。在 42 个专家编写的具有挑战性的儿科神经学病例上的初步评估显示，与临床医生共识有显著重叠，正确诊断出现在前五个鉴别诊断中的比例为 88%。此外，该框架可推广到其他溯因推理领域，并可作为基础模型的确定性结构和路由层，提高精度并可能减少有界任务中不必要的计算开销。
引用
@article{arxiv.2604.06375,
title = {SymptomWise: A Deterministic Reasoning Layer for Reliable and Efficient AI Systems},
author = {Isaac Henry and Avery Byrne and Christopher Giza and Ron Henry and Shahram Yazdani},
journal= {arXiv preprint arXiv:2604.06375},
year = {2026}
}
备注
18 pages, 1 figure,