基于不确定性引导的潜在诊断轨迹学习用于顺序临床诊断
人工智能
2026-04-08 v1
摘要
临床诊断需要在不确定性下顺序获取证据。然而，大多数基于大语言模型（LLM）的诊断系统假设患者信息完全被观察，因而未显式建模临床证据应如何随时间顺序获取。即使将诊断表述为顺序决策过程，也仍面临学习有效诊断轨迹的挑战。这源于可能的证据获取路径空间相对较大，而临床数据集几乎不提供有关理想诊断路径的显式监督信息。为此，我们将顺序诊断表述为一种潜在诊断轨迹学习（LDTL）框架，基于规划 LLM 代理和诊断 LLM 代理。对于诊断 LLM 代理，将诊断动作序列视为潜在路径，我们引入一种后验分布，以优先考虑能提供更多诊断信息的轨迹。随后，规划 LLM 代理被训练遵循此分布，以鼓励逐步减少不确定性的连贯诊断轨迹。在 MIMIC-CDM 基准测试上的实验表明，我们提出的 LDTL 框架在顺序临床诊断设置下优于现有基线，诊断准确率提高，同时所需的诊断测试数量更少。此外，消融研究突显了轨迹级后验对齐在实现这些改进方面的关键作用。
引用
@article{arxiv.2604.05116,
title = {Uncertainty-Guided Latent Diagnostic Trajectory Learning for Sequential Clinical Diagnosis},
author = {Xuyang Shen and Haoran Liu and Dongjin Song and Martin Renqiang Min},
journal= {arXiv preprint arXiv:2604.05116},
year = {2026}
}