面向可靠性的多语言orthopedic诊断：一种领域自适应模型与概念验证框架

大语言模型（LLMs）日益被提议用于临床决策支持，包括在低资源环境中的多语言诊断。然而，其可靠性、校准和安全特征在结构化、高风险任务中仍不足以被理解。我们对英文、Hindi 和 Punjabi 三种语言中基于 free-text 临床笔记的多语言骨科诊断进行了系统级分析。我们评估了三种建模方案：(i) 任务对齐的多语言变换器编码器，(ii) 任务微调基线（DistilBERT），以及 (iii) 针对骨科文本量身定制的领域自适应架构（IndicBERT-HPA）。这些模型与零-shot、指令调优 LLM 进行比较，以评估其在结构化诊断分类任务中的适合性。结果表明，尽管 LLM 在语言流畅性方面表现出色，但在结构化多语言条件下显示出不稳定的校准和降低的可靠性，尤其是在低资源语言中。这些发现特定于零-shot 评估，不意味着对微调模型存在局限。领域自适应的专业化显著改善了跨语言判别和置信度行为。IndicBERT-HPA 采用语言特定的骨科适配器头实现了在六个诊断类别上的持久强性能力，并比仅任务适应更具可预测的部署特征。基于这些观察，我们概述了一个用于未来实施的概念确定性基于智能体的验证框架，形式化证据检查、语言敏感的验证和保守的人类在环控制。可靠的多语言临床决策支持需要专业化的架构、显式的可靠性分析以及面向安全关键系统的结构化验证。