Causal Modeling of Adverse Pregnancy Outcomes via Adaptive LLM Proposals
本文介绍了一种神经符号框架，该框架通过将大语言模型生成的因果假设与经验数据评分进行迭代结合，有效地发现并验证了不良妊娠结局的因果关系，成功恢复了经专家验证的边，并识别出了新的潜在风险因素。
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
理解为什么妊娠过程可能会出现问题，是现代医学中最困难的谜题之一。像早产或妊娠期糖尿病这样的状况并非孤立发生；它们是复杂因素网络的结果，这些因素涵盖了从母亲的家族史、生活方式到年龄及既往健康状况的广泛领域。为了预防这些结果，医生需要知道哪些因素实际上导致了其他因素，而不仅仅是与它们同时出现。这就是“看到两件事同时发生”与“知道其中一件推动了另一件发生”之间的区别。寻找这些真正的因果关系是极其困难的，因为医疗数据往往是不完整的、充满噪声且难以收集，同时变量之间可能存在的联系数量又如此庞大，以至于计算机难以从中理出头绪。
多年来，研究人员一直试图通过使用两种不同的工具来解决这个问题。一种方法完全依赖于数据，在患者记录中寻找统计模式。另一种方法则利用大型语言模型中所存储的广博知识——这类计算机系统经过数百万篇医学文本的训练，可以根据其阅读的内容建议可能的联系。然而，这两种方法单独使用时都无法完美运作。数据驱动的方法在信息不足时往往会失效，而语言模型则可能表现得前后不一，有时会提出一些听起来合理但缺乏证据支持的联系。它们还可能陷入单一的想法，从而忽略了全局。
一项名为 CLARA 的新研究引入了一种作为这两种方法桥梁的方法。研究人员并没有要求计算机只进行一次猜测或单纯地进行数值计算，而是创建了一个将语言模型视为灵活向导的系统。该系统要求模型生成一批可能的因果关系图。然后，它会将每张图与真实的临床数据进行比对，以检查其契合程度。那些最符合数据的图并不会被丢弃；相反，它们会被用来教导语言模型什么才是好的答案。随后，系统会要求模型再次尝试，但这次的指令是让其专注于之前表现良好的模式。这种“猜测、检查、精炼”的循环不断重复，缓慢地引导计算机远离荒诞的猜测，走向既符合逻辑又得到证据支持的图谱。
研究人员在一个涉及近 4,000 名初产妇的真实世界数据集上测试了这种方法，追踪了包括种族、年龄、体重指数（BMI）、疾病家族史以及吸烟或运动等生活习惯在内的变量。他们将新系统的结果与人类专家和标准计算机算法的工作进行了对比。研究结果令人震惊。这种新方法成功找回了人类专家识别出的每一个因果联系，而标准计算机算法未能实现这一目标。此外，该系统还发现了专家未列出的三十个额外联系。当临床专家审查这些新联系时，他们确认其中二十六个已是既定的医学事实，而剩下的四个则是符合当前医学理解的合理假设。这些联系包括暗示多囊卵巢综合征病史可能导致高血压，以及妊娠期糖尿病可能是导致新发高血压直接原因的联系。
研究还表明，这种方法具有极强的鲁棒性。在数据被刻意弄乱或变得不完整的情况下，新方法仍能找到正确的联系，而传统的仅靠数据的方法则会陷入混乱并产生错误。研究人员发现，通过将最佳结果总结为简短的常见边（common edges）列表，而不是将整个复杂的图谱反馈回系统，可以使过程更加高效，且不会损失任何准确性。这表明该方法不仅有效，而且在现实世界中使用起来非常实用。通过将人工智能的广博知识与真实数据的严谨测试相结合，研究人员创造了一个能够驾驭医学科学中的不确定性，从而揭示不良妊娠结局背后隐藏原因的工具，为实现针对性的干预措施和更好的母婴护理提供了更清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。