arXiv cs.AI· Cong Wang, Jin Li, Shoujin Wang, Yishuo Li, Huilin Gu, Wenpeng Lu·· 3 天前AI 评分20
RES-MR：面向可解释安全用药推荐的风险感知推理框架
RES-MR: Risk-Aware Reasoning for Explainable and Safe Medication Recommendation
AI 导读
研究团队提出 RES-MR，一个基于 LLM 的风险感知推理框架，用于可解释且安全的用药推荐。该框架采用两阶段训练：先通过可解释临床推理蒸馏，基于图检索的患者知识微调合成推理轨迹；再进行风险感知策略优化，用解耦药物因子构建患者特异性参考原型，经奖励塑形与裁剪实现风险边界校准。基准数据集实验显示，RES-MR 在准确性、安全性和可解释性上显著优于 SOTA 基线，代码与数据已开源。
正文 · AI 翻译
摘要：用药推荐旨在根据患者的临床信息提供个性化药物组合，其中确保透明的决策过程与个性化安全至关重要。然而，现有方法大多以“黑箱”方式运行，可解释性有限，阻碍了临床医生的信任。此外，它们通常依赖固定的、与患者无关的安全约束，忽视了不同个体风险承受能力的异质性，这给弱势群体带来了重大风险。为弥补这些不足，我们提出 \textbf{RES-MR}，一种新颖的风险感知推理框架，用于基于 LLM 的可解释且安全的用药推荐。RES-MR 采用两阶段训练范式：（1）可解释临床推理蒸馏阶段，通过在合成的推理轨迹上微调，并基于图检索得到的患者特定知识，来激发诊断能力；（2）风险感知策略优化阶段，动态平衡治疗效果与个性化安全。该阶段利用解耦的药物因素构建患者特定的参考原型，以捕捉期望的治疗药物特征和需规避的风险特征。这些原型能够实现风险边界校准，并通过奖励塑形与裁剪引导模型给出安全推荐。在基准数据集上的大量实验表明，RES-MR 在准确性、安全性和可解释性方面显著优于最先进的基线方法。我们的代码和数据可在以下网址获取：this https URL。
| Comments: | 12 pages |
| Subjects: | 机器学习（cs.LG）；人工智能（cs.AI）；信息检索（cs.IR） |
| Cite as: | arXiv:2610.14474 [cs.LG] |
| （或 arXiv:2610.14474v1 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.14474 arXiv 颁发的 DOI 经由 DataCite（待注册） |
Submission history
来自：Cong Wang [查看邮箱]
[v1]
2026年10月10日星期六 02:06:48 UTC（610 KB）
来源：arXiv cs.AI · arxiv.org