不确定性引导的潜在诊断轨迹学习用于序列临床诊断

临床诊断需要在不确定性下顺序获取证据。然而，现有大模型诊断系统多假设信息完全观测，未显式建模证据的顺序获取过程。针对诊断路径空间巨大且缺乏明确监督信号的挑战，本文提出潜在诊断轨迹学习（LDTL）框架。该框架包含规划与诊断两个大模型智能体：将诊断动作序列视为潜在路径，引入优先选择高信息量轨迹的后验分布；训练规划智能体遵循该分布，以生成逐步降低不确定性的连贯诊断轨迹。在 MIMIC-CDM 基准上的实验表明，该方法在减少检查次数的同时显著提升了诊断准确率。