TRIAGE：面向不规则采样医疗时间序列可解释风险预测的辩证式 LLM 推理

arXiv:2606.09030v2 公告类型：替换 摘要：基于电子健康记录中不规则采样医疗时间序列（ISMTS）构建的临床预警系统，必须为患者分诊提供连续的风险评分，以及临床医生能够核验的可解释理由。大型语言模型（LLM）在这两方面都具有独特优势：能够根据其输出概率推导风险，并利用其医学知识生成理由。然而，我们发现，传统的 LLM 推理会将分级风险压缩为过度自信的预测，从而损害分诊所依赖的跨患者可比性。我们将这种失效模式称为风险极化，并确定了其背后的两种行为：过早承诺于单一结果，以及只关注支持该结果的证据的单向推理。为解决这一问题，我们提出 TRIAGE，一种训练 LLM 对相互竞争的临床结果进行辩证推理的框架，具体方法是引导模型生成针对不同结果的理由。这种辩证式表述能够缓解风险极化，使单个 LLM 可以同时提供明确的临床理由和可在患者之间进行比较的风险评分。在五个 ISMTS 基准测试中，与具有竞争力的基于 LLM 的基线方法相比，TRIAGE 将平均 AUPRC 提高了 17.0%，并将平均校准误差降低了 82.8%；与最强的 ISMTS 基线相比，其平均 AUPRC 进一步提升了 3.5%。