基于大语言模型的循证智能诊疗可视化系统：多轮交互与多模态治疗方案生成

背景

在人工智能辅助传统中医（Traditional Chinese Medicine, TCM）诊断的领域，现有的工具普遍存在三个核心痛点：推理过程不透明（opaque reasoning processes）、交互方式被动（passive interaction）以及治疗方案展示形式单一且有限。这些问题导致医生和患者难以建立对 AI 诊断结果的信任，也限制了中医“辨证论治”思维在数字化过程中的准确传达。

为了解决上述问题，本研究提出了一种基于知识增强的可视化诊断系统。该系统的核心目标是通过引入大型语言模型（Large Language Models, LLMs）和知识图谱技术，提升中医辨证过程的透明度与可解释性，并生成更具循证依据的多模态治疗方案。

核心内容

本研究构建了一个名为“基于大语言模型的循证智能诊疗可视化系统”的综合平台，其技术架构和工作流程主要包含以下几个关键部分：

1. 基于 Neo4j 的知识图谱构建

系统底层依托于一个精心构建的 Neo4j 知识图谱。该图谱包含了丰富的中医结构化数据，具体规模如下：

• 证候（Syndromes）： 241 种
• 症状（Symptoms）： 1,263 种
• 关系（Relations）： 2,485 条

这一结构化数据基础为后续的推理和验证提供了坚实的约束条件。

2. 四阶段症状匹配流水线

为了实现从患者主诉到中医证候的精准映射，系统设计了四个阶段的症状匹配流程：

1. 精确匹配（Exact）： 识别完全匹配的标准术语。
2. 语义匹配（Semantic）： 利用语义理解捕捉同义词或近义词。
3. 模糊匹配（Fuzzy）： 处理非标准表述或拼写错误。
4. 大语言模型验证（LLM Verification）： 最后由 LLM 进行逻辑校验，确保匹配结果的合理性。

3. 信息增益驱动的前瞻性提问策略

系统并非被动接收信息，而是采用了一种主动式交互策略。该策略基于“信息增益”（Information Gain）理论，旨在通过最少的问题获取最大的诊断信息。为了优化提问顺序和策略，研究团队引入了**遗传算法（Genetic Algorithms）**进行参数调优，从而模拟资深中医师的临床问诊逻辑。

4. 多模态治疗方案呈现

在治疗计划生成环节，系统突破了传统文本输出的局限，整合了三种模态的内容：

• AI 生成的插图： 直观展示病理机制或治疗原理。
• 三维经络穴位模型： 可视化针灸或推拿的具体操作位置。
• 循证文献支持： 提供基于证据的医学参考文献，增强方案的可信度。

关键要点

• 知识图谱约束提升规范性： 通过知识图谱的逻辑约束，系统成功将非标准输出减少了 32%，显著提高了诊断结果的标准化程度。
• 多场景适用性验证： 案例研究证实，该交互式工作流在以下三个场景中均有效：
  • 患者自我评估
  • 临床医生辅助诊断
  • 中医教育与培训
• 显著提升诊断信任度： 在对 30 个案例进行的自动化配对比较评估中，该系统的诊断信任度得到了统计学上的显著提升（Cohen's d = 1.82, p < 0.001）。
• 降低认知负荷： 在多模态呈现和信息结构化方面，用户在五个认知负荷维度中的四个维度上均表现出改善，意味着用户更容易理解和处理诊断信息。
• 增强循证参考的可信度： 用户对该系统提供的循证参考文献的可信度评分为 4.21，显著高于对比组的 2.95。

意义与影响

本研究提出的系统通过知识图谱驱动的可视化和多模态交互，为传统中医诊断推理的透明化和治疗计划的可解释性提供了一种切实可行的解决方案。

其核心贡献在于：

1. 解决“黑盒”问题： 通过可视化的推理路径和证据链，打破了传统 AI 诊断工具的黑盒状态，使中医辨证过程更加透明。
2. 增强人机信任： 显著提升了用户对 AI 辅助诊断的信任度，这是 AI 医疗工具落地应用的关键门槛。
3. 推动中医现代化： 为可信赖的人工智能辅助中医应用提供了技术范式，有助于促进传统医学与现代信息技术的深度融合。