ProtoMedAgent：通过隐私意识代理工作流程实现多模式临床可解释性

虽然可解释的原型网络为临床诊断提供了令人信服的基于案例的推理，但它们的原始连续输出缺乏医疗文档所需的语义结构。通过标准检索增强生成（RAG）来弥合这一差距通常会触发“检索阿谀奉承”，其中 大语言模型（LLM）会产生事后合理化的幻觉，以与视觉预测保持一致。我们引入了 ProtoMedAgent，这是一个框架，它将多模式临床报告形式化为严格神经符号瓶颈上的迭代、零梯度测试时间优化问题。在冻结的原型主干上进行操作，我们将潜在的视觉和表格特征提炼成离散的语义记忆。在线生成受到精确的集合论差异和反思性抄写员批评循环的严格限制，从数学上排除了不受支持的叙述主张。为了安全地限制数据泄露，我们引入了由 $k$-匿名性和 $\ell$-多样性控制的语义隐私门。在 4,160 名患者的临床队列中进行评估，ProtoMedAgent 在比较集 忠实性 中获得了 91.2% 的成功率，从根本上优于标准 RAG (46.2%)。 ProtoMedAgent还利用具有约束力的$\ell$-多样性相变来系统地将工件级成员推理风险降低绝对9.8%。