以自演化深度临床研究模拟临床医生认知

摘要

临床诊断是复杂的认知过程，根植于动态线索获取与持续的专业经验积累。然而当前多数人工智能（AI）系统与此现实错位：把诊断当作单次回溯预测，且缺乏可审计的受治理改进机制。我们开发了DxEvolve——一个通过交互式深度临床研究工作流弥合这些缺口的自演化诊断智能体。该框架自主申请检查，并随着接诊暴露的增加，把临床经验持续外化为诊断认知基元。在MIMIC-CDM基准上，DxEvolve较骨干模型平均提升诊断准确率11.2%，在读者研究子集达90.4%，与临床医生参考（88.8%）相当。与竞争方法相比，DxEvolve在独立外部队列上分别提升10.2%（源队列覆盖类目）与17.1%（未覆盖类目）。通过把经验转化为可治理的学习资产，DxEvolve为临床AI的持续演化提供了可问责路径。

以自演化深度临床研究模拟临床医生认知：论文配图 — 图 1：DxEvolve：通过经验驱动的自我进化实现与工作流程一致的诊断。 a，DxEvolve 将诊断构建为以证据为中心的顺序推理，与使用完整记录的回顾性评估典型的静态、单次推理形成对比。 b，深度临床研究 (DCR) 工作流程。根据患者病史背景，代理迭代地计划下一步，请求评估（体格检查、实验室测试和影像学），并在必要时咨询外部资源（指南和 PubMed）；仅显示所请求的观察结果，并将其整合到紧凑的高显着遭遇状态中，以指导后续行动，直至最终诊断。 c，诊断认知原语（DCP）。每次诊断推理后，DxEvolve 都会根据轨迹整合 DCP，其中包括可检索的呈现模式以及用于调查计划和诊断决策的证据相关指导； DCP 在存储库中建立索引，并在以后的遇到中选择性地重用，作为同一 DCR 工作流程下的医学评估和搜索外部源等操作。 d，队列和协议。 DCP 是根据 MIMIC-CDM 应计池构建的，该池与评估活动严格不重叠，然后对保留的分布内 MIMIC-CDM 队列和用于分布外评估的外部医院队列进行评估。