利用自主大语言模型引导的树搜索进行前瞻性多病原体疾病预测

传染病概率预测对公共卫生至关重要，但依赖专家手动构建模型，限制了扩展性。本文提出一种自主系统，利用大语言模型（LLM）引导的树搜索，迭代生成、评估并优化可执行的预测软件。在 2025-2026 年美国呼吸季的前瞻性实时评估中，该系统自主发现了针对流感、新冠和呼吸道合胞病毒（RSV）的多样化模型。集成这些机器生成的模型后，其表现持续匹配或超越 CDC 人工 curated 的金标准集合模型，并成功应对数据稀缺场景。