以因果知识图谱支撑医疗LLM：评测框架、指标与心血管试点

大语言模型（LLM）日益被提议用于医疗决策支持，但对其评估仍奖励单答案准确率，而非对干预、机制、危害、证据和不确定性的推理。我们提出一个可复现的、以图为中心的评估框架，用于医疗中面向干预的LLM行为，并在心血管试点中对其做压力测试。该框架有四个组件：（i）一个领域因果知识图谱，其中断言是具有稳定标识符、保留出处的一等节点；（ii）场景条件子图提取步骤，给定任何临床场景即可检索相关的具体化断言子图；（iii）四种受控知识支撑条件，改变检索到的子图组合进模型上下文的方式（无外部知识支撑C1、知识图谱C2、因果图C3、集成C4）；（iv）以断言标识符为锚的自动评分管道，在单次运行中计算干预准确率及其他评估指标。为测试该框架，我们构建了一个覆盖八种推理失败模式的类别均衡场景生成器，并把其实例化于心血管图谱。该指标面板沿可解释、非冗余的轴区分各条件：C4获得最强的因果边F1（0.838）、不良反应F1（0.833）、证据准确率（0.738）和无依据断言率（0.114），而C1获得最高的原始干预准确率（0.948），但没有可测量的因果或证据支撑。