Diagnostic consultation 是在线顺序决策过程，医生通过与患者交互收集证据，直至诊断得到足够支持。自动化该过程需要自适应提问和可解释的决策。贝叶斯网络通过随证据累积更新诊断后验概率，提供自然的理论基础，但在开放式咨询中面临两个难题：如何将诊断假设映射到潜在询问，以及如何将不断演化的后验转化为咨询决策。
我们提出 AutoDisym，一个自动化流水线，利用异构的带诊断标签的临床叙事构建 Disorder–Symptom 贝叶斯网络（DSBN）。AutoDisym 首先抽取疾病‑症状对，然后在 GPT‑5.6‑Sol 的帮助下完成结构学习和参数估计，能够在精神科、呼吸科、发热门诊等四个领域以及三个公开数据集上自动生成高质量 DSBN。
在 DSBN 基础上，ConsultMind 作为不确定性感知框架，在每轮患者回答后更新疾病后验，并利用后验的不确定性度量（如熵）指导下一步询问或直接给出诊断。实验表明，AutoDisym 在标准症状上取得 81.37% 的宏观 F1，在表现症状上取得 72.19%。ConsultMind 将 Top‑1 准确率提升至多 22.15 个百分点，Top‑3 提升至多 37.89%。医生评估进一步证实，ConsultMind 在解释排序、鉴别诊断和诊断理由方面优于不同规模的 LLM。
该工作展示了将诊断知识与大语言模型结合，实现自动化、可解释且具不确定性感知的诊疗咨询的可行路径。
点评