基于大语言模型不确定性推理的可解释疾病诊断

临床决策需要对不完整、不精确、以语言形式表达的患者叙述进行推理。尽管大语言模型（LLM）擅长从自然语言中提取潜在信息，但它们缺乏可信医疗AI所必需的可验证性与可解释性。我们提出一个神经符号推理框架，将LLM与形式逻辑对齐，实现可解释且可形式验证的医学诊断。患者描述与临床指南被嵌入神经知识库，LLM从中提取结构化医学实体、时间关系和模糊症状模式，再将其解码为以模糊逻辑和声明式规则表达的符号知识库。我们执行两阶段推理：（1）归纳式符号泛化，从编码后的叙述中捕捉诊断模式；（2）通过逻辑编程引擎进行推理验证，推导并检验符合临床标准的诊断。每个症状被视为带概率权重的模糊谓词，推理路径可审计、可调整，并与医生反馈兼容。与纯统计方法不同，我们的系统支持迭代精化：LLM生成诊断与真值之间的偏差可以通过形式规则被追踪、解释和纠正。通过结合基于逻辑的透明性、LLM的适应性和概率鲁棒性，该框架实现了与人对齐的医疗推理，具备强泛化能力和可验证的逐步推理链。我们在公开基准上验证该框架，证明符号推理与LLM能够有效调和并处理真实世界的临床叙述。结果显示其性能与最先进的LLM相当，同时额外提供可解释的推理路径和可形式验证的诊断结论。