论文
MoBayes：一种模块化贝叶斯框架，用于在会话式临床决策支持中将推理与语言分离
MoBayes: A Modular Bayesian Framework for Separating Reasoning from Language in Conversational Clinical Decision Support
摘要
大语言模型 (LLM) 越来越多地用于会话式临床决策支持，但它们将下一个标记预测与概率决策混为一谈。我们认为这种合并反映了架构的局限性：此类系统缺乏明确的后验跟踪、可控的弃权阈值和可审计的推理链。我们介绍 MoBayes，一个将推理与语言分开的模块化贝叶斯对话框架。 LLM 仅充当语言接口，将患者对话解析为结构化观察结果，而贝叶斯模块对这些观察结果执行概率推理以更新后验，通过预期信息增益选择后续问题，并通过校准的决策阈值确定何时停止或推迟。这种设计可以实现显式后验跟踪、可控选择性决策和可替换的特定人群统计后端，而无需重新训练语言模型。在经验和 LLM 生成的知识库中，MoBayes 的表现优于独立的前沿 LLM 医生，包括匹配的模型系列比较，其中与 MoBayes 配对的廉价传感器模型以更低的成本超过了更大的自主模型。在对抗性的患者沟通方式和不同的诊断场景下，这一优势仍然存在。这些结果表明，可靠的会话式临床决策支持系统应该将概率推理与语言生成分开，而不是单独缩放模型大小。代码可在 https://anonymous.4open.science/r/MoBayes/ 获取