LLM-医疗决策管道的引导演进

使 大语言模型 (LLM) 适应临床工作流程通常需要昂贵的 微调 或手动提示和管道工程。我们研究 LLM 引导的 MAP-Elites 进化作为发现医疗决策策略的推理时间替代方案，并在 https://github.com/univanxx/llm_guided_evo_medical 提供实施存储库。我们将紧急分类、交互式咨询和医学图像分类制定为对通过特定任务的适应度函数优化的可执行工件的进化搜索。在所有三种设置中，在实际约束下，进化都比手动设计的基线有所改进。在分类方面，改进的程序将 Semigran 准确率从 $77.3\%$ 提高到 $87.1\%$，将紧急召回从 $0.60$ 提高到 $0.97$，同时提高了安全加权的 MIMIC-ESI 性能。在交互式咨询中，不断发展的策略提高了 Llama-3、Qwen-3.5 和 Gemma-4 之间的成本边界的准确性，并转移到了保留的 iCRAFTMD。在 PneumoniaMNIST 中，仅提示进化改进了冻结的 MedGemma VLM，同时保留严格的 JSON 输出。定性分析表明，收益来自可解释的程序级机制、校准的分类边界、有针对性的证据获取、选择性承诺和以发现为导向的视觉决策规则，而不是仅仅表面的及时改写。