论文
GraphWalker：通过 大语言模型 实现患者类比与临床推理信息增益
GraphWalker: Patient Analogy Meets Information Gain for Clinical Reasoning with Large Language Models
摘要
电子健康记录 (EHR) 的临床推理是现代医疗保健中一项基本但具有挑战性的任务。虽然 大语言模型 (LLM) 通过上下文演示提供了一种有前途的范例，无需更新特定任务的参数，但 EHR 设置中通过患者类比进行推理的现有方法存在三个核心局限性：(1) 视角限制，其中数据驱动的相似性与 LLM 推理需求不一致，而模型驱动的信号受到有限的临床能力的限制； (2) 群组意识，因为示范是独立选择的，没有对人口水平结构进行建模； (3)信息聚合，忽略了演示之间的冗余和交互效应。我们提出了 GraphWalker，一个 无需训练 框架，它可以让冻结的 LLM 通过类比检索的患者病例进行推理。 GraphWalker (i) 联合利用数据驱动和模型驱动的视角，(ii) 发现患者群体，以便在人群水平结构中进行基础检索，(iii) 采用具有前沿扩展的惰性贪婪搜索来构建具有高边际信息增益的演示。对多个现实世界 EHR 基准的大量实验表明，GraphWalker 始终优于最先进的演示选择基线，并且在跨数据集分布变化下保持更加稳健，无需特定于任务的参数更新。 GraphWalker 进一步推广到黑盒 LLM 并与代理推理框架自然地组合，将其定位为基于 LLM 的临床工作流程中的可插入患者类比技能。我们的代码可在 https://github.com/PuppyKnightUniversity/GraphWalker 获取。