Timely Clinical Diagnosis through Active Test Selection

技术摘要：ACTMED —— 通过主动测试选择实现及时的临床诊断

问题陈述
临床诊断本质上是序列化且资源受限的，然而大多数现有的机器学习（ML）方法依赖于静态的、全观测的数据集。这些模型无法反映临床医生在实践中使用的迭代式、上下文感知型推理过程，通常假设数据是完全可用的，或将诊断视为一个静态的分类任务。这导致了效率低下，包括不必要的检测（估计占病例的 40–60%）以及在高压或资源有限环境下的延迟。此外，尽管大语言模型（LLMs）在医疗决策方面展现出潜力，但其直接部署面临着透明度、可解释性以及对概率推理遵循程度方面的挑战。目前亟需一种能够根据预期效用进行动态推理、优化测试选择，并能在无需大量特定任务训练数据的情况下与临床工作流保持一致的框架。

方法论：ACTMED
作者提出了 ACTMED（基于模型的实验设计驱动的自适应临床测试选择），这是一个将**贝叶斯实验设计（BED）与大语言模型（LLMs）**相结合的诊断框架。其核心目标是选择下一个能够最大化减少相对于其成本的认知不确定性（知识型不确定性）的诊断测试。

1. 基于智能体的诊断模型：
   该系统在一个离散时间范围 $T$ 内运行。在每个步骤 $t$，智能体观察一部分地面真值信息 $K_t$，并且必须从可用测试集 $U_t$ 中选择一个测试 $U'_t$。智能体的目标是最小化一个平衡诊断误差与信息获取成本的拉格朗日目标函数：
   $$L(y, u_t, \lambda) = \sum_t I[y \neq y_{d_t}] + \lambda \sum_t c(u_t)$$
   其中 $c(u_t)$ 是测试成本，$\lambda$ 控制两者之间的权衡。

2. 作为代理采样器的 LLM：
   由于生理动力学的显式机械模型通常无法以闭式形式存在，ACTMED 利用 LLMs 作为灵活的生成式代理模型。给定患者当前的知识库 $K_t$，LLM 作为一个条件采样器，生成未观测到的测试结果的合理实现 $u^{(i,j)}_t \sim P(U^{(i)}_t | K_t)$。这使得系统能够在无需特定任务微调或结构化训练数据的情况下，近似测试结果的条件分布。

3. 基于 KL 散度的测试选择：
   为了确定候选测试的效用，ACTMED 计算了先验信念与基于假设测试结果的后验信念之间的预期库尔贝克-莱布勒（KL）散度。

   • 对于每个候选测试，LLM 采样 $M$ 个假设结果。
   • 对于每个结果，估计后验概率分布。
   • 预期信息增益计算为平均 KL 散度：
     $$E[KL(B(p_{post}) \parallel B(p_{prior}))] = \frac{1}{M} \sum_{j=1}^M \left( p^{(j)}_{post} \log \frac{p^{(j)}_{post}}{p^{(j)}_{prior}} + (1 - p^{(j)}_{post}) \log \frac{1 - p^{(j)}_{post}}{1 - p^{(j)}_{prior}} \right)$$
     被选中的是具有最高预期 KL 散度（经成本归一化）的测试。

4. 自适应停止准则：
   该框架采用基于“置信差距” $\delta = |p_{prior} - \theta|$ 的原则性停止规则，其中 $\theta$ 是决策阈值（例如 0.5）。只有当新测试的预期 KL 散度足以将信念转向目标后验 $q_{target} = \theta \pm \gamma\delta$ 时，测试才会继续。如果没有任何剩余测试预期能显著更新信念，则停止采集。

5. 临床医生在环（Clinician-in-the-Loop）：
   该系统旨在支持而非取代临床医生。它提供逐步的测试建议、模拟结果和更新的风险概率，允许临床医生根据临床判断进行审查、解释和覆盖建议。

核心贡献

1. 形式化： 作者形式化了一个透明的、逐步进行的诊断框架，使其符合临床推理，从而从静态分类转向序列化、资源感知的决策制定。
2. ACTMED 框架： 他们引入了一种概率方法，利用 LLMs 作为 BED 框架内的代理模拟器，根据预期的诊断效用进行自适应测试选择。
3. 推理转向： 论文表明，将推理从 LLM 的内部潜空间转向自然语言输出空间（通过结构化采样和 KL 计算）可以提高临床决策能力。
4. 验证： 该框架在真实世界数据集上得到了验证，显示出在诊断准确性、可解释性和资源效率方面的提升。

实验结果
作者在三个单病种数据集（慢性肾脏病、丙型肝炎、糖尿病）以及一个源自 AgentClinic 的自定义多病种 OSCE 式数据集上评估了 ACTMED。

• 代理保真度： LLMs（特别是 GPT-4o）在近似诊断测试结果的分布方面表现出高保真度，与经验数据相比，实现了较低的 Wasserstein 距离和能量距离。
• 诊断准确性： ACTMED 一致优于基准模型，包括随机选择、全局最优固定子集以及隐式 LLM 选择。值得注意的是，在丙型肝炎和糖尿病任务中，ACTMED 超越了“全特征”基准，这表明有针对性的测试选择减少了噪声和过拟合。
• 效率： 基于 KL 的停止准则显著减少了所需的测试次数。在保守阈值下，平均测试次数减少到不足两次（原限制为三次），同时保持或提高了准确性。
• 个性化： 与倾向于选择全局最优特征而忽略患者特异性的隐式选择方法不同，ACTMED 会根据个体患者的不确定性调整测试选择。
• 临床医生评估： 在一项涉及资深临床医生的研究中，94.5% 的 ACTMED 测试选择和风险调整被判定为在临床上是合理的。临床医生赞赏其逐步处理过程的透明度，但也指出现实世界的临床路径有时会覆盖纯粹的贝叶斯理性。

意义与主张
论文声称 ACTMED 代表了向透明、自适应且符合临床医生需求的诊断系统迈进了一步。其主要意义在于：

• 泛化性： 该框架以零样本（zero-shot）方式运行，跨越不同的疾病，无需针对每种情况进行特定领域的训练数据。
• 资源意识： 它显式地优化了成本和时间，解决了资源受限环境下的全球性挑战。
• 可解释性： 通过展示中间推理过程（模拟结果和信念更新），它减轻了 LLMs 的“黑盒”性质，从而培养信任并允许人工监督。
• 互补性： 作者强调，目前的 LLMs 尚未准备好进行自主诊断；相反，ACTMED 将其定位为决策支持工具，用于构建并精炼诊断过程，从而减轻认知负担并减少不必要的测试。

作者承认了局限性，包括目前对二分类的依赖、需要高容量 LLMs 来生成连贯样本，以及使用结构化数值/类别数据而非自由文本报告的限制。他们总结道，虽然该框架提高了数据高效决策的能力，但未来的工作必须解决多模态数据和多标签共病问题，以充分反映现实世界的临床复杂性。