引用你所探索的内容：利用可验证证据在医疗 KG 上进行预算感知的 LLM 推理

arXiv:2610.07739v1 公告类型：新增 摘要：基于电子健康记录（EHRs）进行出院后风险预测十分困难，因为将出院时观测结果与后续并发症联系起来的许多依赖关系（例如共病级联和药物—疾病相互作用）并未记录在案。外部医疗知识图谱（KGs）可以补充这些缺失的依赖关系，但对其进行追踪需要满足三个条件：KG 探索必须保持在成本约束之内，检索到的证据必须依据来源质量加以区分，并且最终生成的推理依据必须可供引用，以便回顾性审查。大型语言模型（LLMs）能够基于结构化证据进行规划和验证，因此天然适合 KG 推理；然而，现有基于 LLM 的方法无法同时满足这三个条件。本文提出 BAR，一种在医疗 KG 上进行预算感知 LLM 推理的框架，包含三项贡献。首先，BAR 将原始 KG 细化为疾病特异性的证据图，其边携带支持度分数和溯源记录，从而将 KG 从静态特征来源转变为带有质量标注的推理空间。其次，LLM 通过“规划—导航—验证”循环在该图上进行推理：将问题分解为多个步骤，在患者特异性预算约束下检索证据，并在验证失败时进行修正。第三，本文使用一种奖励函数训练推理策略，该函数比较获取证据前后的预测结果，并结合获取成本和引用完整性项。在 MIMIC-III 和 MIMIC-IV 上针对 8 种疾病和 3 个预测时间范围的实验中，BAR 相较于最强基线将 AUPRC 提高了 3.4 个百分点，将引用准确率从 59.8% 提升至 77.9%，且仅消耗预算上限的 62%–65%。