正确诊断，装饰性推理：对医疗思维链的扰动审计

临床医生将思维链（CoT）理由视为医疗推理的证据，但这种可见的推理链是否真的承担了这一角色，几乎从未被检验。通用领域的 CoT 忠实性探针忽略了临床代价，而医疗 LLM 评估则把这条链视为黑箱。我们通过医疗扰动审计填补这一空白：一套由 30 个算子组成的测试集，使用具有临床动机的算子（严重程度反转、否定翻转、人口统计信息替换、证据消融）同时编辑推理链和问题，并结合推理链更新与答案翻转的联合分析，将每个模型按其失效模式分类。我们将其应用于 14 个 LLM，在四个医疗 QA 基准上进行测试，三项独立检验得出一致结论：链解耦率（CDR；推理链没有反映出编辑，答案也没有翻转）在具有临床意义的破坏性编辑上，整组达到 72.9%；推理链被污染并不会改变准确率；去除 CoT 提示也不会降低准确率。两位持有专科认证的临床医生重新标注了 N=197 个被扰动的问题；98.5% 仍保留可辩护的金标准答案。这一模式在医疗微调、推理微调以及不同规模上都成立；在闭源层级中，由于无法获得链文本，答案侧信号也与同样的解耦现象一致。我们的框架和 CDR 提供了一个可复用的标尺，用于审计医疗 CoT 是忠实的，还是仅仅是文档记录。