从不确定性到临床风险：面向交互式医疗诊断的严重程度感知共形规划

交互式医疗诊断通过多轮询问动态获取患者信息，支持不完整证据下准确、高效、安全的临床决策。现有方法通常以预测不确定性或标签模糊性来指导信息获取，但忽视了漏诊严重疾病的不对称临床风险，并且对于是否继续提出问题或做出诊断缺乏统一的长期规划。为了解决这些限制，我们提出了严重性感知适形临床规划，它将交互式诊断制定为风险敏感的顺序决策问题。该框架维护了补充性的诊断、安全性和掩盖证据的信念；校准特定轮次的诊断预测集和保留诊断轨迹上的严重性加权鉴别诊断风险；并将校准后的临床风险引入蒙特卡罗树搜索中，共同评估长期的 Ask 和 Commit 轨迹。 DDXPlus 和 MediQ 上的实验表明，我们的方法可以在多个大语言模型中以更少的问题实现更准确的诊断，同时提高鉴别诊断质量并减少严重病例中的高风险错误。这些发现验证了使用临床风险（而不是单独使用预测不确定性）作为规划信号的价值，并证明了所提出的信息获取和风险意识诊断决策框架的有效性。它们还激发了未来以临床风险为导向的交互式诊断和信息获取方法的工作。