面向早期诊断的可解释对话式 AI：基于大语言模型的探索
人工智能
2025-12-22 v1
摘要
全球医疗系统正面临诊断效率低下、成本攀升以及专科医生资源有限等问题。这些问题常常导致治疗延迟和不良健康结局。目前大多数 AI 和深度学习诊断系统缺乏互动性和透明度，在以患者为中心的实际环境中效果受限。本研究引入了一个基于大语言模型（LLM）的诊断聊天机器人，采用 GPT-4o、检索增强生成（Retrieval-Augmented Generation）和可解释 AI 技术。该聊天机器人通过动态对话与患者互动，帮助提取和规范化症状，同时通过相似度匹配和自适应提问优先列出可能的诊断。借助链式思维（Chain-of-Thought）提示技术，系统还能提供诊断背后更透明的推理过程。在测试中，与朴素贝叶斯、逻辑回归、支持向量机、随机森林和 K近邻等传统机器学习模型相比，基于 LLM 的系统取得了令人瞩目的成绩，诊断准确率达 90%，Top-3 准确率达到 100%。这些发现为在医疗领域推动更透明、更互动且更贴近临床实践的 AI 应用指明了前景。
引用
@article{arxiv.2512.17559,
title = {Towards Explainable Conversational AI for Early Diagnosis with Large Language Models},
author = {Maliha Tabassum and M Shamim Kaiser},
journal= {arXiv preprint arXiv:2512.17559},
year = {2025}
}