大模型驱动的可解释医疗推荐技术综述

摘要

医疗推荐系统通过整合多源医学证据与患者特征，提供精准高效的个性化诊疗路径，显著提升疗效并降低风险.其临床应用的核心挑战在于可解释性，传统模型因“黑箱”弊端导致医患信任缺失.现有研究虽在因果推理与多模态语义对齐方面取得进展，但仍受限于传统机器学习范式，多模态大语言模型凭借出色的自然语言理解与多模态融合能力，为可解释医疗推荐提供新路径.本文通过分析判别式、生成式及混合式模型在医疗领域中的应用，提出一种基于大语言模型的医疗推荐可解释分类方法，揭示其在解释质量、多模态支持及指南依从性的突破.最后，本文指出联邦解释学习、因果增强等技术将会成为该领域内未来热门方向，进一步推动可信医疗推荐系统发展.

关键词

大语言模型 / 医疗推荐系统 / 可解释性 / 联邦解释学习

基金资助

上海交通大学医工交叉项目(YG2024QNB05)资助; 国家自然科学基金项目(82573726)资助