面向医学研究筛选的因果增强AI Agent

系统综述对循证医学至关重要，但每年人工审阅150万篇以上的论文并不可行。当前AI方法在系统综述任务中存在幻觉问题，研究报告的幻觉率从早期模型的28%–40%到现代实现的2%–15%，当错误影响患者救治时这是不可接受的。我们提出一个因果图增强的检索增强生成系统，将显式因果推理与双层知识图谱相集成。我们的方法强制执行证据优先协议，使每个因果主张都可追溯到检索到的文献，并自动生成可视化干预-结局路径的有向无环图。在234篇痴呆症运动摘要上的评估显示，CausalAgent取得95%的准确率、100%的检索成功率和零幻觉，而基线AI为34%的准确率和10%的幻觉率。自动因果图支持显式的机制建模、可视化综合和更强的可解释性。尽管这一概念验证评估使用了聚焦于痴呆症运动研究的十个问题，但该架构方法展示了可迁移的原则，可用于可信医疗AI以及因果推理在高风险医疗保健中的潜力。