arXiv cs.AI· Yue Zhou, Haiyang Zhou, Jin Zhang, Kong Wang, Zihao Rao, Maolin Wang, Hanwen Du, Youhua Li·· 11 小时前AI 评分38
CaRDI：以校准风险替代不确定性降低的交互式诊断规划框架
Beyond Uncertainty Reduction: Calibrated Planning for Interactive Diagnosis
AI 导读
研究者提出 CaRDI（Calibrated Risk for Diagnostic Interaction）规划框架，用结合主诊断错误与严重程度加权鉴别遗漏的临床损失替代不确定性降低作为提问选择目标，并通过保形残差校准修正部分证据下的低估。在多个医学基准上，CaRDI 提升准确率的同时所需提问更少；以临床风险替代熵作为规划目标使临床损失降低 21.5%，并减少严重遗漏。代码已开源。
正文 · AI 翻译
摘要：交互式医疗诊断要求智能体通过连续提问收集患者证据，然后才能做出诊断。大语言模型（LLM）如今使这类问诊成为可能，现有方法通常根据问题能在多大程度上降低候选疾病之间的不确定性来选择问题。然而，这一目标对诊断错误和遗漏严重备选疾病所对应的不相等临床成本并不敏感，因此最小化不确定性未必能最小化最终诊断损失。为弥合这一差距，我们提出 CaRDI（Calibrated Risk for Diagnostic Interaction，诊断交互的校准风险），这是一个围绕临床损失构建的规划框架，该损失将主要诊断错误与按严重程度加权的鉴别诊断遗漏相结合。诊断信念与安全信念分别估计这两个损失分量，而保形残差校准则校正由部分证据导致的高估。校准后的风险随后通过权衡预期风险降低与交互成本来指导问题选择与停止。在多个医学基准上的实验表明，CaRDI 在提高准确率的同时所需问题更少。进一步分析表明，用临床风险替代熵作为规划目标可将临床损失降低 21.5%，并减少严重遗漏。我们的代码可在 此 https URL 获取。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2608.27847 [cs.AI] |
| （或 arXiv:2608.27847v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2608.27847 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yue Zhou [查看邮箱]
[v1]
2026年8月28日 星期五 02:29:38 UTC（2,700 KB）
[v2]
2026年10月16日 星期五 09:04:48 UTC（813 KB）
来源：arXiv cs.AI · arxiv.org