论文
使用自主LLM引导树搜索的前瞻性多病原体疾病预测
Prospective multi-pathogen disease forecasting using autonomous LLM-guided tree search
摘要
传染病的概率预测对公共卫生至关重要，但依赖于专家建模团队劳动密集型的人工模型策划。这种定制化开发制约了向精细地理分辨率或新发病原体扩展的能力。在此，我们提出一个自主系统，使用大语言模型（LLM）引导的树搜索来迭代生成、评估并优化可执行的预测软件。在2025-2026美国呼吸道疾病流行季的完全前瞻性实时评估中，该系统自主发现了方法学多样的流感、COVID-19与呼吸道合胞病毒（RSV）模型。聚合这些机器生成的模型所得到的集成，在样本外持续媲美或超越作为金标准、由人工策划的美国疾病控制与预防中心（CDC）hub集成。该系统成功应对了RSV数据稀缺的“冷启动”场景。此外，受控的回顾性消融实验揭示：优化对数尺度距离指标可以防止奖励作弊（reward hacking），而自动化的judge-in-the-loop机制确保对复杂科学理论的结构保真。通过自主地将流行病学理论转化为准确、透明的代码，该框架克服了建模人力瓶颈，使专家级疾病预测能够以前所未有的规模快速部署。
