论文
经LLM驱动溯因与逻辑验证的神经符号临床试验匹配
Neurosymbolic Clinical Trial Matching via LLM-Driven Abduction and Logical Verification
摘要
大语言模型（LLM）为自动化临床试验匹配（CTM）提供有前景路径——但在复杂资格标准所需的确定性验证上仍然挣扎。相反——纯符号方法提供形式严谨——但面对不完整患者记录与带噪临床证据时崩溃。为弥合该缺口——我们研究组合LLM与逻辑验证的CTM混合框架。特别地——我们介绍溯因神经符号CTM框架（αNeSy-CTM）——利用LLM的语言与世界知识支持对带噪欠指定临床文本的推理。大量评估表明αNeSy-CTM大幅超越独立LLM基线——较零样本基线取得至多30%的相对改进。此外——我们的分析确认溯因推理对CTM的影响：αNeSy-CTM较非溯因神经符号设定展现改进的准确率、特异性与鲁棒性。进一步——αNeSy-CTM与思维链（CoT）推理高度互补——凸显混合路由策略的潜力。最终——本文展示神经符号方法对自动化CTM的影响——为下一代可审计、LLM驱动的临床应用提供路径。
