TT-XAI：通过关键词蒸馏与大语言模型推理实现可信的临床文本解释
计算与语言
2025-08-13 v1 机器学习
摘要
临床语言模型在应用于冗长、非结构化的电子健康记录（EHR）时，往往难以提供可信的预测和解释。本文提出 TT-XAI，一个轻量级且有效的框架，通过领域感知的关键词蒸馏和基于大语言模型（LLM）的推理，同时提升分类性能和可解释性。首先，我们证明将原始出院小结蒸馏为简洁的关键词表示，能显著增强 BERT 分类器的性能，并通过聚焦式 LIME 变体提高局部解释的忠实度。其次，我们利用关键词引导的提示生成思维链式临床解释，以引导 LLM，产生更简洁且临床相关的推理。我们使用基于删除的忠实度指标、通过 LLaMA-3 评分的自我评估，以及由领域专家参与的盲法人类研究来评估解释质量。所有评估方式均一致支持关键词增强方法，证实蒸馏能同时提升机器和人类的可解释性。TT-XAI 为临床决策支持中实现可信、可审计的人工智能提供了一条可扩展的路径。
引用
@article{arxiv.2508.08273,
title = {TT-XAI: Trustworthy Clinical Text Explanations via Keyword Distillation and LLM Reasoning},
author = {Kristian Miok and Blaz Škrlj and Daniela Zaharie and Marko Robnik Šikonja},
journal= {arXiv preprint arXiv:2508.08273},
year = {2025}
}