EviGen：面向可验证临床推理依据生成的预测性证据脚手架

arXiv AI 收录论文提出 EviGen 框架，用于生成可验证的临床推理依据。该框架分三层：以患者为条件的检索器用可学习查询找到对临床结果有预测价值的证据，并按预测归因分数排序；LLM 生成器以排序证据为脚手架生成推理依据；过程监督验证器在推理步骤层面检查并标记不可靠论断。在三个医学预测数据集上，EviGen 的预测表现与依据忠实度优于全上下文 LLM 和 RAG 基线，并在可用性评估中更受临床评审者偏好。

此前处理纵向 EHR 主要依赖临床医生人工通读或 LLM 全上下文、RAG 方案，后者成本高且不可靠，既遗漏相关观察又会凭空生成内容。EviGen 把检索目标从文本相关性转向预测价值，并在推理步骤层面校验，使输出依据可追溯、可核验，而不只是语言通顺。

机制上，第一层用可学习查询让检索器直接服务临床结果预测，而非仅做语义匹配，并按预测归因分数排序证据；第二层让 LLM 只基于这些被排序的片段生成推理，减少无关上下文干扰；第三层以过程监督逐推理步骤核验，把不可靠论断单独标记出来，从而在生成与验证之间形成闭环。

对医疗 AI 产品而言，这意味着推理依据可被逐步审计，降低临床使用者核对成本；研发上需要把检索、生成、验证拆成可独立评估的模块，并引入归因与过程监督标注。相比全上下文 LLM，这类脚手架式流程也可能减少无效 token 消耗，但会增加检索与验证环节的工程复杂度。

• 在临床决策支持或病历摘要产品中，把证据归因分数作为可解释性界面元素，让医生点击查看每条结论对应的原始记录片段。
• 面向药企或保险的医学审核流程，可基于推理步骤级标记构建人工复核队列，优先处理被标为不可靠的论断。
• 将预测性检索器作为独立组件，接入现有 RAG 管线替换纯语义检索，用预测表现而非召回率做选型指标。
• 针对三个医学预测数据集之外的场景做迁移验证，形成可复用的评测集来比较不同 LLM 与检索器组合。

• 论文只在三个医学预测数据集上评估，尚未验证在真实临床工作流与更大规模 EHR 上的表现。
• 过程监督验证器标记的不可靠论断是否与临床专家判断一致，缺少具体一致性数据。
• 可学习查询与归因排序带来的计算成本相对 RAG 与全上下文 LLM 的实际差距未在证据中说明。
• 临床评审者偏好来自可用性评估，是否转化为更低的临床错误率仍不明确。