Aletheia：面向低资源医疗环境鉴别诊断的离线优先临床决策支持系统

在撒哈拉以南非洲，专科临床专业知识的获取仍然严重受限，农村地区的医患比可能低于1:25,000。现有的AI辅助诊断工具大多需要可靠的互联网连接和高规格硬件，这使得它们对地区医院和卫生中心的一线医护人员而言并不实用。本文提出Aletheia，一个专为撒哈拉以南非洲低资源医疗环境设计的离线优先临床决策支持系统。Aletheia基于Qwen2.5-3B-Instruct构建，使用量化低秩适配（QLoRA）在一个精选数据集上微调，该数据集包含覆盖50种在东非患病率较高的疾病状况的27,000个临床推理样本。评估显示，Top-1诊断准确率为80%（10例中的8例；95%置信区间：49.0-94.3%），Top-3准确率为100%（10例中的10例；95%置信区间：72.2-100%），BERTScore-F1为0.909，METEOR为0.467。这些诊断数字是在特意选取的仅十个代表性临床病例类别（每类一例）上计算的，因此仅具指示性而非统计上稳健；应结合较宽的置信区间来解读这些数字。该系统的期望校准误差（ECE）为0.275，满足Africa Deep Tech Challenge 2026（ADTC 2026）7168 MB的内存预算约束，在标准化基准笔记本上实现约3630 MB的推理峰值内存。这些结果表明，在没有云基础设施的资源受限环境中，在初级医疗层面部署基于大语言模型的临床推理是可行的。