不确定性引导的潜在诊断轨迹学习

LDTL 用后验分布引导 LLM 规划诊断轨迹，减少检查并提升准确率。

资讯摘要

论文提出潜在诊断轨迹学习框架 LDTL，将序列诊断建模为规划 LLM 智能体与诊断 LLM 智能体协作：把诊断动作序列视为潜在路径，引入优先选择信息量更大轨迹的后验分布，并训练规划智能体遵循该分布，使诊断轨迹逐步降低不确定性。作者报告在 MIMIC-CDM 基准上，该方法在序列临床诊断设定下诊断准确率优于现有基线，且所需检查更少；消融实验显示轨迹级后验对齐起关键作用。

要点速读

1. 论文指出多数基于 LLM 的诊断系统假设患者信息已完全观测，未显式建模证据的时序获取。
2. LDTL 用后验分布优先选择诊断信息更多的轨迹，并训练规划 LLM 智能体遵循该分布。
3. 作者报告在 MIMIC-CDM 上准确率优于基线且检查更少，消融实验强调轨迹级后验对齐的作用。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。