论文
CORE-Acu：面向针灸临床决策支持的结构化推理轨迹与知识图谱安全验证
CORE-Acu: Structured Reasoning Traces and Knowledge Graph Safety Verification for Acupuncture Clinical Decision Support
摘要
大语言模型（LLM）在临床决策支持（CDS）方面展现出显著潜力，但其黑盒特性——表现为推理不可追溯与概率性幻觉——在针灸这一要求严格可解释性与安全性的领域构成了严峻挑战。为解决这一问题，我们提出CORE-Acu，一个面向针灸临床决策支持的神经符号框架，它将结构化思维链（S-CoT）与知识图谱（KG）安全验证相结合。首先，我们构建了首个针灸结构化推理轨迹数据集以及一个模式约束的微调框架。通过强制执行从证型辨识到治则、治疗方案与穴位选择的显式因果链，我们将隐式的中医（TCM）推理转化为可解释的生成约束，缓解了基于LLM的CDS的不透明性。此外，我们构建了中医安全知识图谱，并基于符号否决机制建立了“生成—验证—修订”闭环推理系统，采用确定性规则拦截幻觉并强制执行硬性安全边界。最后，我们提出词汇匹配实体重加权损失（LMERL），通过在微调过程中自适应地放大高风险实体的梯度贡献，纠正通用优化中频率—重要性失配所导致的术语漂移。在1000个留出病例上的实验证明了CORE-Acu卓越的实体保真度与推理质量。关键的是，CORE-Acu在1000个病例中实现0例可观测安全违规（95%置信区间：0–0.37%），而GPT-4o在相同规则下违规率为8.5%。这些结果确立了CORE-Acu作为针灸临床决策支持稳健神经符号框架的地位，同时保证了推理可审计性与严格的安全合规。
