通过差异推理学习弥合临床代理中的推理差距

临床决策支持不仅需要正确答案，还需要具有临床有效性的推理过程。本文提出差异推理学习（DRL）框架，通过从参考推理依据（如医生撰写的临床理由、临床指南或更强大模型的输出）与代理的自由形式推理链中提取推理图，并利用临床加权图编辑距离进行差异分析。通过LLM作为评判者对语义等效节点进行对齐并诊断图之间的差异，将这些差异诊断转化为自然语言指令并存储在差异推理知识库（DR-KB）中。在推理阶段，通过检索增强生成（RAG）方法检索前k条指令以增强代理提示，修补可能的逻辑漏洞。实验结果表明，该方法在开放医学问答基准和内部临床数据的再入院预测任务上均优于基线方法，提高了最终答案准确性和推理一致性。消融研究验证了引入参考推理依据和前k检索策略的有效性。临床医生对输出的审查进一步确认了该方法的可靠性。结果表明，DRL有助于复杂推理场景下的更可靠临床决策，并提供了一种在有限token预算下部署的实用机制。