面向序列临床诊断的不确定性引导潜在诊断轨迹学习

临床诊断需要在不确定性下序贯地获取证据。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可观测，因此没有显式建模临床证据应如何随时间被序贯获取。即使将诊断表述为序贯决策过程，学习有效的诊断轨迹仍然具有挑战性。这是因为可能的证据获取路径空间相对庞大，而临床数据集很少为理想的诊断路径提供显式监督信息。为此，我们将序列诊断表述为一个基于规划LLM智能体与诊断LLM智能体的潜在诊断轨迹学习（LDTL）框架。对于诊断LLM智能体，诊断动作序列被视为潜在路径，我们引入一个后验分布，优先考虑能提供更多诊断信息的轨迹。随后训练规划LLM智能体遵循该分布，促使其形成逐步降低不确定性的连贯诊断轨迹。在MIMIC-CDM基准上的实验表明，所提LDTL框架在序列临床诊断设置下的诊断准确率优于现有基线，同时所需的诊断检查更少。此外，消融研究凸显了轨迹级后验对齐在实现这些改进中的关键作用。