大型语言模型在临床决策支持中展现出强大的自然语言推理能力，但在处理结构化的纵向电子健康记录（EHR）时效果不佳。另一方面，EHR基础模型可以学习预测性患者表示，却缺乏可解释的基于语言的推理。ChatHealthAI 旨在弥合这一差距。
架构设计与核心创新
ChatHealthAI 采用 多模态推理框架，核心是一个 任务感知重采样器（task-aware resampler）。该模块将预训练EHR基础模型生成的纵向患者表示，与一个冻结的LLM的语义空间对齐。通过结合精细的临床事件描述，ChatHealthAI 在保持准确患者预测的同时，实现了临床可解释的自然语言推理。
实验验证与性能表现
研究团队在 EHRSHOT 基准 上评估了 ChatHealthAI，涉及三项临床预测任务。结果表明，ChatHealthAI 在推理质量和可解释性方面均有显著提升。与传统方法相比，它不仅能生成更准确的预测，还能给出基于临床事件的合理解释。例如，在预测患者再入院风险时，模型会引用特定的诊断记录或用药变化，而非单纯输出概率。
实际应用场景与价值
对于临床医生而言，ChatHealthAI 的意义在于将 黑箱预测 转化为可理解的推理过程。医生可以查看模型依据哪些病史事件得出结论，从而增强对AI辅助决策的信任。此外，该框架可适配多种EHR数据结构，无需重新训练底层LLM，降低了部署成本。
- 纵向患者表示：通过EHR基础模型捕捉时间序列中的健康状态变化。
- 语义对齐：重采样器将数值型表示映射到LLM的文本嵌入空间。
- 事件级推理：输出包含具体临床事件引述的自然语言解释。
ChatHealthAI 目前仍处于研究阶段，但其设计思路为可解释临床AI提供了新方向。未来，团队计划扩展多语言支持和更复杂的知识图谱融合。
评论
暂无评论
成为第一个评论的人