医学启发式学习：LLM驱动的可解释可审计临床决策规则框架

面向临床决策支持的预测建模既需强预测性能——也需要透明、可审计、人类可审查的决策逻辑。虽然深度学习与树集成方法可取得高准确率——其黑箱性质仍是可信临床部署的主要障碍。此外——临床预测常在实践约束下运作：样本量有限、严重类不平衡——以及诊断标准或临床文档实践变化引起的特征演化。我们提出医学启发式学习（MHL）——LLM辅助规则学习的受限范式。MHL不依赖隐式模型权重更新——而是整合统计探针、医学知识探针、初始规则合成与迭代规则优化——构建可执行的基于规则的专家系统。所得规则系统完全用编程语言的原生逻辑与控制流结构表达。有效规则版本沿搜索轨迹记录并保留——使决策逻辑显式、可解释、可审计。MHL还支持持续学习：以先前验证的规则为起点——在数据漂移或特征演化下针对更新特征信息迭代修订。MHL不绑定任何特定编程语言。医学数据集上的综合实验表明MHL取得与SOTA方法可比的预测性能——在小样本与高不平衡设定中表现更优——并支持特征演化下验证规则的迁移与自适应修订。总体而言——这些发现提示非梯度启发式系统为临床决策支持中平衡预测性能与透明性提供途径。