arXiv cs.AI· Xuyang Shen, Haoran Liu, Dongjin Song, Martin Renqiang Min·· 11 小时前AI 评分31
面向序列临床诊断的不确定性引导潜在诊断轨迹学习（LDTL）
Uncertainty-Guided Latent Diagnostic Trajectory Learning for Sequential Clinical Diagnosis
AI 导读
研究提出潜在诊断轨迹学习（LDTL）框架，由规划 LLM 智能体与诊断 LLM 智能体组成，将诊断动作序列视为潜在路径，并用后验分布优先选择信息量更大的轨迹。在 MIMIC-CDM 基准上，LDTL 在序列临床诊断设置下诊断准确率超过现有基线，且所需诊断检查更少。消融实验显示轨迹级后验对齐是取得这些改进的关键。
正文 · AI 翻译
摘要：临床诊断需要在不确定性下按顺序获取证据。然而，大多数基于大语言模型（LLM）的诊断系统假设患者信息已被完全观测，因此并未显式建模临床证据应如何随时间被顺序获取。即使将诊断表述为顺序决策过程，学习有效的诊断轨迹仍然具有挑战性。这是因为可能的证据获取路径空间相对较大，而临床数据集很少为理想的诊断路径提供显式监督信息。为此，我们将顺序诊断表述为基于规划 LLM 智能体和诊断 LLM 智能体的潜在诊断轨迹学习（LDTL）框架。对于诊断 LLM 智能体，诊断动作序列被视为潜在路径，我们引入一种后验分布，优先考虑能提供更多诊断信息的轨迹。随后训练规划 LLM 智能体遵循该分布，从而鼓励形成连贯的诊断轨迹，逐步降低不确定性。在 MIMIC-CDM 基准上的实验表明，在顺序临床诊断设置下，我们提出的 LDTL 框架在诊断准确率上优于现有基线，同时所需的诊断检查更少。此外，消融研究强调了轨迹级后验对齐在实现这些改进中的关键作用。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2604.05116 [cs.AI] |
| （或 arXiv:2604.05116v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.05116 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xuyang Shen [查看邮箱]
[v1]
2026 年 4 月 6 日星期一 19:21:56 UTC（2,374 KB）
[v2]
2026 年 10 月 22 日星期四 19:04:34 UTC（2,375 KB）
来源：arXiv cs.AI · arxiv.org