利用大型语言模型进行不确定性推理以实现可解释的疾病诊断

针对临床决策中信息不完整及缺乏可解释性的问题，本文提出一种神经符号推理框架。该框架将 LLM 与形式逻辑对齐，通过两阶段推理：首先从患者叙述中提取结构化实体并转化为模糊逻辑规则，其次利用逻辑编程引擎进行推导与验证。系统将症状视为带概率权重的模糊谓词，支持诊断路径的审计与修正。实验表明，该方法在保持与最先进 LLM 相当性能的同时，提供了可解释的推理链条和形式上可验证的诊断结论。