本文提出了Medi-Gemma的架构与验证，旨在解决在高风险临床环境中使用大型语言模型（LLMs）时所面临的结构性幻觉、表格患者数据的弱确定性推理以及向量检索的遗漏。Medi-Gemma是一个用于伤口病理分诊与工作流自动化的临床决策支持系统（CDSS）。该平台引入了一个解耦框架，将临床感知与数据编排分开，同时保持可追溯的推理。
Medi-Gemma采用了一个多阶段管道，由中央的ClinicalOrchestrator协调。数据请求由DataManager处理，该组件在没有生成推理的情况下，通过类型强制清理非结构化的电子病历（EMR）文件。自然语言查询由分层的IntentRouter处理，后者将请求路由到由PandasQueryEngine执行的确定性分析路径，或者由ClinicalRAGEngine管理的患者特定推理，该引擎使用优化的CPU向量存储。
一个关键的贡献是Ground Truth Injection Module，它拦截患者特定的查询，提取数字识别令牌，通过Pandas查询结构化数据框，检索最新的经过验证的临床状态，并将此快照嵌入LLM生成之前的覆盖上下文块中。安全合规由ProtocolManager执行，该管理器将临床术语映射到固定的基于证据的风险路径，而SafetyVerifier短语过滤器则防止输出规则的违反。
验证显示，该架构消除了语义上下文漂移，防止数据库编译崩溃，并改善了对后端临床库的事实遵循。这些结果支持Medi-Gemma作为一种更安全的LLM基础临床决策支持模式，其中结构化数据的保真性、检索基础和确定性保障至关重要。
博主点评： Medi-Gemma的设计巧妙地将确定性分析与LLM的生成能力结合，确保了在临床决策中数据的准确性与安全性。通过引入Ground Truth Injection Module，系统有效地提升了对最新临床信息的响应能力，展现了在高风险环境中应用AI的巨大潜力。其架构不仅防止了常见的幻觉问题，还提高了对患者数据的可靠性，具有广泛的应用前景。