摘要
针对现有大语言模型在电子病历诊断预测中易过拟合历史数据且忽视新型病症的问题，本文提出 EviCare 框架。该方法通过深度模型进行候选筛选、证据优先级排序及关系证据构建，生成自适应上下文提示以引导 LLM 进行准确且可解释的推理。在 MIMIC-III 和 MIMIC-IV 数据集上的实验表明，EviCare 在精度和准确率上平均超越基线 20.65%，尤其在新型疾病预测任务中提升了 30.97%。
AI 推荐理由
论文核心提出基于证据的上下文推理框架，显著提升诊断预测中的推理能力。
研究机构
Macquarie University, Sydney, Australia
Fuzhou University, Fuzhou, China
Monash University, Melbourne, Australia
论文信息