摘要
在临床决策支持中，临床表格数据的预测建模至关重要，不仅需要强大的预测性能，还需要透明的决策逻辑。尽管深度学习和树基集成方法可以实现高准确率，但其黑箱特性依然是临床应用的主要障碍。医疗数据的常见特征，如有限的样本量、严重的类别不平衡，以及因诊断标准和临床文档变化而引起的特征演变，更加加剧了这一挑战。
为了解决这些问题，我们提出了医疗启发式学习（MHL），这是一种基于超越梯度学习范式的临床表格预测方法。MHL不依赖于神经网络权重更新，而是采用基于大型语言模型（LLM）的工作流程，集成统计探测、医学知识探测、规则合成和代码级迭代优化，以优化一个确定性和可执行的决策系统。最终模型以版本化的纯Python决策规则来表达，这些规则明确可解释、完全可审计，并且与临床相关。
MHL还支持持续学习，通过从之前验证的规则开始，并在数据漂移或特征演变下使用更新的特征信息逐步修订它们。对医疗数据集的全面实验表明，MHL在小样本和高度不平衡的情况下表现出与最先进方法相当的性能。同时，结果进一步表明，这种显式的规则更新机制可以帮助缓解特征演变下的灾难性遗忘。总体而言，这些发现表明，非梯度的启发式系统为高风险临床决策支持提供了一种透明且适应性强的替代方案。
博主点评： MHL的提出有效解决了医疗数据的透明性与可审计性问题，使得临床决策不仅高效且可信，同时也为未来的医疗AI应用提供了有力的理论支持与实践基础。其基于LLM的工作流程展现了现代技术在医疗领域中的巨大潜力，值得深入研究与推广。