🤖 machine learning

A Neurosymbolic Approach for Constructing Planning Domain Models from Clinical Narratives

本文介绍了 NSPIN，这是一个将大语言模型与经验验证相结合的神经符号框架，旨在从非结构化临床叙述中自动构建概率规划领域模型，从而有效应对复杂手术工作流中隐含动作和数据稀缺带来的挑战。

原作者： Ranveer Singh, Saurabh Mathur, Michael Skinner, Prasad Tadepalli, Kristian Kersting, Sriraam Natarajan

发布于 2026-08-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Ranveer Singh, Saurabh Mathur, Michael Skinner, Prasad Tadepalli, Kristian Kersting, Sriraam Natarajan

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

医院里充满了记录在患者护理边缘的各种故事。外科医生在详细的笔记中记录他们的工作，描述他们如何处理特定患者的独特并发症，从器官穿孔到意外感染。几十年来，这些知识一直被困在单个病历中，仅对编写者或护理该特定患者的团队有用。这些知识从未被汇集成一幅清晰的图景，展示这些手术在成千上万个病例中究竟是如何运作的。科学家们长期以来一直希望将这些杂乱的手写故事转化为一套正式的规则——一个逻辑地图，展示在外科医生采取下一步行动之前必须发生什么，以及可能产生什么结果。这种地图对于构建能够帮助培训新医生、自动审查手术记录、甚至引导未来机器人系统的人工智能至关重要。挑战在于，人类语言充满了简写和假设。一位外科医生可能会写道他们“放置了一个穿刺器”，却没有提到他们首先必须做一个切口，因为对他们来说，这一步如此显而易见，以至于不需要提及。然而，计算机无法猜测什么是显而易见的；它们需要每一个步骤都被明确说明，才能理解手术的逻辑。

一组研究人员开发了一种新方法来解决这个问题，将数千份非结构化的手术记录转化为一种常见的儿科手术——腹腔镜阑尾切除术的精确逻辑模型。这种手术涉及通过小切口移除发炎的阑尾，在儿童医院中频繁进行，为研究提供了超过 2,600 份由九位不同外科医生编写的真实世界笔记的丰富数据集。研究人员创建了一个系统，充当了流动的自然语言与僵硬的计算机逻辑之间的桥梁。他们称这个系统为 NSPIN。它的工作原理是首先使用一种强大的语言模型（一种在海量文本上训练过的 AI 类型）来阅读原始笔记，并提取出其中提到的具体动作和观察结果。由于笔记往往是不完整的，系统随后使用同一个语言模型来填补缺失的空白，推断出外科医生实际执行但未记录下来的隐藏步骤。最后，它使用另一种数学逻辑将这些步骤组织成一个连贯的计划，并通过检查数据来确保这些规则符合逻辑。

该过程始于系统读取手术笔记的原始文本。它识别关键事件，例如切开或放置手术器械，并将它们按发生的顺序排列。然而，研究人员发现，仅仅阅读文本是不够的。外科医生经常跳过书写通用的规程或显而易见的中间步骤，导致计算机面对的是一条断裂的事件链。为了修复这一点，系统要求语言模型扮演临床专家的角色，建议在逻辑上连接记录事件的缺失步骤。例如，如果笔记提到阑尾被切除了，系统会推断出必须先固定阑尾基部，即使外科医生并未明确写下这一点。这一步至关重要，因为它恢复了专家脑海中携带但很少落于纸面的隐性知识。系统会生成多个可能的缺失步骤版本，然后将它们组合起来，仅保留大多数生成的版本所达成一致的版本，从而确保最终序列的稳健性和可靠性。

一旦系统拥有了每场手术的完整有序事件序列，它就会构建一个描述手术规则的形式化模型。该模型定义了在执行特定动作之前必须满足哪些条件，以及该动作可能产生的结果。例如，它学习到外科医生在切开之前不能放置手术穿刺器，并且放置穿刺器可能会导致发现粘连（即瘢痕组织），进而需要特定的程序来移除。研究人员通过将这种方法与仅依赖语言模型而没有逻辑检查步骤的方法进行对比，测试了这一方案。他们发现，结合后的方法优越得多。使用逻辑规则来优化语言模型建议的系统，在预测手术下一步会发生什么以及识别何时可以进行哪些实际操作方面，表现得要好得多。

结果显示，该系统可以从九位不同外科医生的笔记中学习，并创建一个适用于所有人的通用规则集，即使是在测试从未见过的外科医生的笔记时也是如此。当研究人员要求医学专家审查系统推断出的步骤时，专家们确认了这些缺失的步骤在临床上是正确且必要的。在一个案例中，系统正确地找回了外科医生使用特定类型缝线封闭腹壁的信息，尽管信息提取器最初未能从一段明确写着“脐系膜以 0 号 Vicryl 缝线封闭”的笔记中提取出该信息；在另一个案例中，它推断出固定阑尾基部是切割阑尾的前提条件，这是一个逻辑上的必然，但在文本中并未明确说明。这些发现表明，该系统可以成功地将人类专家的隐性、未书写的知识转化为一种正式的、可用的格式。

研究还表明，如果仅依靠语言模型而没有逻辑优化，会导致错误。单纯的语言模型倾向于创建过于宽松或过于严格的规则，经常遗漏支配手术程序的真实因果关系。通过将语言模型理解文本的能力与符号系统强制执行逻辑一致性的能力相结合，研究人员创建了一个既能灵活处理人类写作的多样性，又足够严谨以被机器信任的模型。这种方法为在像医学这样高风险领域构建人工智能指明了道路，在这些领域，理解行动背后的“为什么”与了解“是什么”同样重要。这项工作并不声称已经解决了所有关于手术自动化的问题，但它提供了一种经过验证的方法，可以将庞大、非结构化的患者护理历史转化为未来工具的结构化基础，从而提高患者的安全性和手术培训水平。

问题陈述
将复杂的外科工作流（如腹腔镜阑尾切除术）形式化为可解释的规划领域模型仍然是一个重大挑战。虽然此类模型对于“人工智能在环”（AI-in-the-loop）系统、手术训练模拟器和质量改进至关重要，但现有方法难以应对临床数据的特性。临床叙述具有非结构化、语言多样性以及频繁省略“显而易见”的中介步骤等特点，这些步骤对外科医生而言是隐含的，但对于逻辑一致性而言却是必不可少的。纯粹的经验符号方法之所以失败，是因为它们需要结构化的状态-动作轨迹，而这类数据在现实中极少存在。相反，大语言模型（LLMs）虽然具备语言提取和填补的能力，但在归纳逻辑推理方面表现不佳，并且在缺乏执行环境或清晰领域描述等外部支持时，往往会产生过于简单或逻辑上不严密的模型。此外，临床领域需要概率建模来捕捉随机结果，而这正是基于确定性 LLM 的形式化工具通常缺失的能力。

方法论：NSPIN 框架
作者引入了 NSPIN，这是一个神经符号框架，旨在从非结构化临床叙述中归纳出概率规划领域模型（具体为概率规划领域定义语言，即 PPDDL）。该框架通过四个截然不同的阶段，弥合了 LLM 的语言灵活性与符号归纳的逻辑严密性之间的鸿沟：

模式创建（Schema Creation）： 预训练的 LLM 根据领域的自然语言描述生成一个正式的领域模式（ $P_0$ ）。该模式定义了类型化对象类别（例如，器械、解剖结构）、观察谓词（状态属性）和动作谓词（手术步骤）。在此阶段，动作模式在语法上是有效的，但包含空的先决条件和效应，作为一种固定的词汇表来约束后续的搜索空间。
序列生成（Sequence Generation）： 此阶段通过两个子阶段将原始手术记录转换为结构化的、具身的谓词序列：
- 信息提取： LLM 从文本中提取出一系列具身的谓词序列。为了处理随机性，框架生成 $K$ 个候选序列，并使用多数过滤进行谓词保留，使用共识投票进行参数具身化，并使用加权 Kemeny 秩聚合进行时间排序。
- 序列填补（Sequence Imputation）： 意识到外科医生会省略隐含步骤，该框架利用 LLM 的内部世界模型来推断必要的中间动作或观察，以保证逻辑连续性。与提取过程类似， $K$ 个候选填补方案被生成并聚合，从而产生一个最终的、增强的序列（ $S$ ），该序列代表了完整的工作流。
规划模型构建（Planning Model Construction）：
- 数据驱动归纳： 一个贪婪的、基于覆盖率的归纳器从增强后的序列中构建初始的 PPDDL 动作模式。它根据观察上下文估计先决条件，并根据最大似然结果频率估计概率效应，同时过滤掉低概率效应。
- LLM 精炼： 为了解决数据驱动归纳可能包含非必要先决条件的伪相关问题，LLM 会对归纳出的先决条件进行精炼。LLM 根据满足和失败的上下文提出修订建议，且仅在修订不会降低验证性能时才接受更改。这确保了先决条件是语义扎根的，而非仅仅是关联性的。
评估（Evaluation）： 生成的模型在持留集（held-out set）的手术记录上进行评估，以衡量其预测观察集合及后续动作的能力。

核心贡献
本文做出了三个主要的工程技术贡献：

NSPIN 框架： 一种新颖的神经符号方法，通过结合基于 LLM 的提取/填补与符号归纳及精炼，将非结构化手术记录转化为正式的概率 PPDDL 领域。
隐含知识填补： 利用预训练 LLM 来填补手术记录中的空白，推断出对于逻辑计划一致性至关重要、但人类作者经常省略的潜在临床动作和先决条件。
实证验证： 在包含 2,660 份来自 9 名外科医生的真实世界腹腔镜阑尾切除术记录的数据集上进行了全面评估，证明了该神经符号方法在泛化到未见工作流方面优于纯 LLM 基准模型。

结果
作者将 NSPIN 与两个 LLM 仅有的基准模型（一个是零样本，一个是带有上下文示例）以及一个缺少最终 LLM 精炼步骤的 NSPIN 变体进行了对比评估。主要发现包括：

填补效能： 在所有指标（Top-1/Top-3 准确率和负对数似然）上，基于填补数据训练的模型表现均显著优于基于原始提取数据训练的模型，证实了恢复隐含信息对于准确建模至关重要。
精炼影响： LLM 精炼步骤显著提升了下一动作预测指标。具体而言，它降低了真动作禁用率（TADR），表明精炼后的先决条件比纯数据驱动版本更少限制性，且与观察到的工作流更兼容。
神经符号的优越性： NSPIN（带精炼）在观察预测和下一动作预测方面均优于所有仅基于 LLM 的基准模型。虽然未经精炼的符号模型最初表现逊于神经基准，但通过添加语义精炼，NSPIN 得以超越它们，证明了符号验证对于将 LLM 的程序先验锚定在经验数据中是必要的。
定性一致性： 专家评审确认，填补的步骤（例如，筋膜缝合、固定阑尾根部）在临床上是正确的，且精炼后的先决条件准确反映了真实的临床必要性，而非仅仅是描述性的关联。

意义
本文声称 NSPIN 为创建可解释、可泛化的手术程序模型提供了一条路径，从而支持可靠且可部署的临床 AI。通过成功地将非结构化叙述形式化为概率规划领域，该方法能够支持以下下游应用：

通过捕捉罕见并发症和程序变化来改进手术模拟器。
实现手术记录的自动化审核。
通过追踪外科医生和机构之间的系统性差异，为质量改进计划提供信息。
为未来的自主手术系统奠定基础。

作者强调，他们的方法通过处理临床环境中缺乏结构化数据和存在大量隐含动作的问题，解决了当前方法的局限性，为纯符号或纯神经方法提供了一个强大的替代方案。

类似论文