ProtoMedAgent：通过隐私感知代理工作流实现多模态临床可解释性

针对原型网络在临床诊断中缺乏语义结构及标准 RAG 引发“检索顺从”导致幻觉的问题，本文提出 ProtoMedAgent 框架。该框架将多模态临床报告形式化为严格的神经符号瓶颈下的迭代零梯度测试时优化问题。通过将潜在特征蒸馏为离散语义记忆，并利用集合论微分与反思型“书记员 - 批评家”循环，数学上排除了无依据的叙述。此外，引入基于 k-匿名和 l-多样性的语义隐私门控以保障数据安全。实验显示其在对比集忠实度上显著优于标准 RAG，并有效降低了成员推断风险。