面向AI辅助鉴别诊断的安全导向假设演绎框架

诊断错误是患者安全的主要威胁，但当前大语言模型（LLM）系统常把诊断当作一次性预测任务——缺乏防止遗漏高风险替代项或严格验证推理的保障。我们提出AegisDx：面向安全的假设演绎临床推理框架。AegisDx经角色专属契约、结构化中间输出、证据检索接口与验证门协调专职LLM组件：生成广泛的鉴别诊断、强制对危险的“绝不能漏”病症做显式筛查、对照落地的医学证据验证推理，并结构化可行动的下一步。我们跨三层评估AegisDx。在来自NEJM与JAMA的文献案例报告上（GPT-oss-120B为共享骨干）：JAMA案例Top-3诊断准确率59.9%对独立LLM的52.1%；NEJM案例62.7%对51.4%。在Annals of Emergency Medicine案例上：Top-3准确率85.7%对68.6%；对照医师共识的绝不能漏诊断集：AegisDx在其前三个诊断中至少捕获一种该类病症的比率为78.0%对52.0%。在与GPT-5对比的、来自耶鲁纽黑文卫生系统43份真实急诊记录的盲法医师评估中：AegisDx把医师评定的综合安全分从4.31提升到4.55（5分制，调整后p=2.1e-4），在绝不能漏识别与推理安全上有质性增益。结果表明：把诊断AI工程设计为安全导向的推理框架——而非仅优化原始预测准确率——能为急性诊疗工作流提供更安全、更透明、临床有意义的床边决策支持层。