🤖 AI

GuideSkill: Evolving Executable LLM Agent Skills for Guideline-Grounded Clinical Reasoning

GuideSkill 引入了一种与模型无关的框架，该框架将临床实践指南编译为可执行的诊断函数，随后通过病例数据进行优化，从而在无需更新骨干模型的情况下，显著增强大语言模型在临床推理方面的准确性和技能覆盖范围。

原作者： Lang Cao, Yuhao Shen, Tianyang Luo, Simo Du, Hao Peng, Yue Guo

发布于 2026-07-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Lang Cao, Yuhao Shen, Tianyang Luo, Simo Du, Hao Peng, Yue Guo

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图破解一个巨大且复杂的谜案。你拥有一位才华横溢的侦探（大语言模型，或称 LLM），他擅长阅读线索、推测嫌疑人并讲述精彩的故事。但这位侦探有时会分心、忽略细节，或者忘记法律的严格规定。另一方面，你拥有一本厚重、落满灰尘的规则手册（临床实践指南），其中包含了解决每类犯罪的精确、循序渐进的法则。问题在于，如果你只是把规则手册交给侦探，他们可能会读过这些规则，但并不一定会真正遵循它们，或者会被冗长的段落搞糊涂。如果与其让侦探阅读这本书，我们能将这些规则转化为一套自带检查功能的魔法工具呢？想象一下，为每个嫌疑人配备一个特殊的“真相探测器”，它能根据证据立即闪烁绿灯或红灯，而不是让侦探去猜测。这就是医疗 AI 的世界：试图将聪明的计算机大脑所具备的创意与叙事能力，与医疗规则那僵硬、救命的精准度结合起来。

名为“GuideSkill”的论文介绍了一种巧妙的新方法，正是为了实现这一目标。研究人员构建了一个名为 GuideSkill 的系统，它充当了一个翻译官，将枯燥的医疗规则手册转化为一个“可执行技能”库。把这些技能想象成微小的计算机程序或“清单”，它们可以自动运行。与其让 AI 仅仅阅读一份指南并寄希望于它能理解，GuideSkill 将规则编译成可以实际检查患者症状并输出评分的代码：“此证据强烈支持疾病 A，”或者“此证据排除了疾病 B。”

该系统分为两个非常酷的阶段。首先是 GuideSkill-Zero。这是“入门包”。研究人员将现有的医疗指南转化成了这些可执行技能。这就像是将一本食谱中的每道菜谱都变成了一个机器人厨师，只有当你给出完全正确的食材时，它才能开始烹饪。仅凭这一点，它就已经比单纯让 AI 阅读指南的表现更好了。但真正的魔力发生在第二个阶段，GuideSkill-Evo。在这里，系统从真实的病例故事中学习。如果“入门包”中缺少某种罕见病的规则，或者某个规则过于模糊，系统就会观察数千个真实案例，弄清楚专家们实际是如何操作的，并据此更新或添加新的技能到库中。这就像机器人厨师去上了烹饪学校，品尝了真实的菜肴，并学会了原书里没有的新食谱。

当一名新患者到来时，系统会进行一场团队协作。AI 侦探首先列出一份可能的嫌疑人名单（鉴别诊断）。然后，GuideSkill 库会对每个嫌疑人运行其自动化检查。它将侦探的直觉与来自技能的硬性数学评分相结合，从而选出最终的胜者。结果令人印象深刻：在四项不同的医学测试中，这种团队协作的准确性远高于 AI 单独工作或仅仅阅读指南的表现。事实上，通过加入“从病例中学习”这一步骤，该系统覆盖了测试中所涉及疾病的 99.5%，而最初的规则仅覆盖了 56.5%。更棒的是，人类医生审查了新增的技能，并表示它们在医学上是合理且可靠的。论文表明，这种方法——将规则作为独立的、可检查的工具，而不是试图将它们记忆在 AI 的大脑内部——是让医疗 AI 更安全、更可靠的一种强大方式，而且无需在每次发现新规则时都重新训练 AI 的整个大脑。

技术摘要：GuideSkill

问题陈述

临床诊断是一个多步骤的过程，需要综合患者信息、生成鉴别诊断，并应用基于证据的阈值来支持或反驳候选诊断。虽然临床实践指南（CPGs）编码了必要的诊断标准和条件逻辑，但大语言模型（LLMs）通常无法正确执行这些规则。目前的方法通常依赖于检索指南文本（RAG）或通过训练吸收指南，但这些方法无法保证对特定患者病例进行严格的准则级评估。此外，现有系统难以处理初始指南语料库之外的诊断，也难以在不更新模型参数的情况下，将灵活的候选生成与显式的、特定疾病的规则应用相结合。

方法论

本文引入了 GuideSkill，这是一个外部推理层，它将 CPGs 从被动参考资料转变为可演进的、可执行的、针对特定疾病的诊断技能库。该框架分为三个阶段运行：

1. 任务形式化

给定一个患者病例 $x$ ，系统预测最终诊断 $d^*$ 。该过程包括：

候选生成： LLM 生成一组排序后的鉴别诊断集 $C(x)$ 。
技能执行： 对于每个候选诊断 $d$ ，从库中检索相应的可执行技能 $g_d$ ，并在患者病例上执行，以产生证据得分 $s_{skill}(x, d)$ 。
融合： 最终得分 $S(x, d)$ 是 LLM 排序得分 $s_{LLM}(x, d)$ 与基于技能的证据得分的加权组合：
$S(x, d) = \alpha s_{LLM}(x, d) + (1 - \alpha) s_{skill}(x, d)$
其中 $\alpha \in [0, 1]$ 用于平衡这两种信号。

2. 技能初始化 (GuideSkill-Zero)

此阶段从精选的临床指南中构建初始技能库：

策展： 对原始指南文档进行过滤和策展，以去除噪声和不可操作的内容。
提取与编译： 提取建议，按 ICD-10 类别进行分组，并通过 LLM 将其编译为可执行的 Python 函数。
评分逻辑： 每个技能将患者特征映射到四个支持层级之一（确诊、强提示、兼容、不支持），并归一化到 $[0, 1]$ 区间内的得分。矛盾的证据可能会降低支持等级。

3. 技能演进 (GuideSkill-Evo)

为了解决指南仅覆盖有限诊断集的局限性，使用带标签的患者病例对库进行演进：

逻辑生成： 对于训练病例，LLM 生成总结支持真实诊断证据的诊断逻辑（rationales）。
蒸馏与优化： 聚合相同诊断的逻辑，以蒸馏出新的特定疾病规则。这些规则用于优化现有技能（如果该诊断已被覆盖）或生成新技能（如果该诊断不在初始库中）。
结果： 这一过程扩展了库的覆盖范围，并优化了决策规则，使其更好地适应现实世界中异质性的表现，而无需修改 LL模型的主干参数。

4. 推理

在推理过程中，LLM 提出鉴别诊断。GuideSkill 检索相关技能，从患者叙述中提取每个技能所需的特定特征，执行技能以获得证据得分，并将这些得分与 LLM 的排序进行融合，以确定最终预测。

核心贡献

智能体化技能执行： 本文将基于指南的诊断形式化为智能体技能的执行，开发了一套将 CPG 建议编译为按疾病索引的可执行序数评分器的流水线。
病例驱动的演进： 引入了一种利用带标签病例来优化已覆盖技能并添加此前未覆盖诊断的机制，从而扩展了库的范围。
全面评估： 作者在四个异构的诊断推理基准测试和四种不同的 LLM 主干（包括闭源和开源权重模型）上评估了该方法，分离了指南初始化带来的贡献与通过演进获得的增益。

结果

评估涵盖了四个基准测试（MedCaseReasoning, ER-Reason, MIMIC-CDM-FI, MedThink-Bench）和四个主干模型（GPT-5.4, Claude-Sonnet-4.6, MedGemma-27B, Qwen3.5-9B）。

性能提升： 在所有主干模型上，GuideSkill-Zero 的表现始终优于指南 RAG。GuideSkill-Evo 实现了每个主干模型最高的宏平均准确率，相比最强基线平均提高了 18.49%。
覆盖率： 演进将金标准标签的技能覆盖率从 56.5% (GuideSkill-Zero) 提高到了 99.5% (GuideSkill-Evo)，有效地填补了初始指南语料库中的空白。
泛化能力： 在 MedThink-Bench（一个在演进训练集中被排除的基准测试）上，GuideSkill-Evo 在所有主干模型上均达到了最好或并列最好的准确率，展示了其向未见数据的迁移能力。
与基于训练的方法对比： 在 Qwen3.5-9B 上，GuideSkill-Evo 在不更新主干模型的情况下，比最强的参数更新基线（包括使用指南、病例和强化学习进行微调的方法）高出 11.16%。
临床有效性： 对 10 个技能（5 个由指南初始化，5 个由病例衍生）进行的专家评估表明，95.2% 的初始规则符合指南一致性，且 9/10 的最终技能在仅需微调的情况下即可被接受。临床医生判断与技能输出之间的整体二次加权 $\kappa$ 系数为 0.60。

意义

本文认为 GuideSkill 证明了外部可执行技能作为一种模型无关的临床推理机制的可行性。通过将诊断逻辑外部化，该系统实现了：

可重用性： 同一种诊断逻辑可以在不同的 LLM 主干之间进行检查、更新和重用。
透明度： 决策逻辑是显式且可解释的，不同于微调模型中不透明的权重。
可扩展性： 可以在不承担重新训练主干模型所需的计算成本或数据需求的情况下，使用带标签的病例扩展库中的新诊断并优化规则。

作者总结道，虽然在临床部署前需要更广泛的临床验证，但结果支持使用可执行技能来结合指南衍生的程序与病例衍生的诊断模式，为提高诊断准确性和覆盖率提供了一种优于参数更新方法的稳健替代方案。