以可寻址证据验证胶质母细胞瘤 AI 解释

背景：生物医学人工智能可以生成合理的解释，而无需可靠地验证每个陈述是否得到患者特定证据的支持。我们开发了一个神经语义验证框架，可将放射组学测量结果转换为可寻址的证据记录和机器可检查的声明。方法：UPenn-GBM 放射组学与从标准化 MRI 中重新提取的 CaPTk 以及独立多中心队列中经过专家验证的分割进行了对齐。共享空间包含来自三个肿瘤区域的 T1、T1GD、T2 和 FLAIR MRI 的 1,728 个特征。参考定义的语义状态源自 611 个 UPenn 案例。我们评估了跨队列可移植性、模型关联来源、确定性验证、受控预测退化和 LLM 声明提取试点； MGMT 预测仅作为传输压力测试。结果：语义状态一致性中位数为 0.786（加权 kappa 0.709），范围从形态学的 0.918 到强度特征的 0.252。外部证据分类账包含 331 名患者的 1,655 条与模型相关的记录。验证者在 6,620 项索赔腐败基准中实现了 100% 精确设置的准确性。在 24 例试验中，GPT-5.6 Sol 重现了 72/72 预先指定的原子声明，冻结验证器恢复了 24/24 的预期条件。在受控降解过程中，ROC AUC 从 0.899 下降至 0.500，而验证准确度保持为 1.000。外部 MGMT 区分能力 较弱（ROC AUC 0.543）。结论：可验证性可以独立于预测性能进行设计和评估。 LLM 可以构建解释，而最终的证据一致性检查仍然是确定性的。