跳转至

CRU-Reason: Knowledge Graph-Grounded and Interpretable Clinical Prediction with Clinical Rationale Units

会议: EMNLP 2026
论文: ACL Anthology
代码: https://github.com/lzhmarkk/CRU-Reason
领域: 医疗 LLM
关键词: 临床预测, 知识图谱, 临床理由单元, 大语言模型, 电子健康记录

一句话总结

提出 CRU-Reason 框架,通过融合机器学习先验与受限知识图谱探索构建疾病为中心的临床理由单元(CRU),驱动大语言模型进行细粒度解耦推理,在药物推荐和诊断预测中显著超越基线并提供可追溯的临床解释。

研究背景与动机

基于电子健康记录(EHR)的临床预测是现代临床决策支持系统(CDSS)的关键支柱,涵盖用药推荐、未来疾病诊断与死亡风险评估等多项关键任务。传统机器学习(ML)模型,如门控循环单元(GRU)、RETAIN 与 StageNet 等,依托纵向病历的时序统计规律展现出优异的判别性能;然而,这类数据驱动方法本质上属于黑盒机制,难以给出符合循证医学知识且具备人类可读性的决策解释,极大限制了其在严肃医疗场景中的临床采信度。

随着大语言模型(LLM)的发展,研究人员开始尝试利用医学知识图谱(KG)增强 LLM 的临床推理能力,以知识三元组缓解幻觉并提供医学依据。然而,现有 KG 增强方案大多采用整条病历的单阶段全局推理机制:将患者复杂的纵向就诊记录以及大范围检索出的图谱上下文一股脑塞入提示词。这种整式处理方式带来了严重的语义干扰——不仅跨疾病、跨器官的不相关背景与噪声关系相互交织,更使得模型无法将最终的预测标签清晰归因至特定病灶,导致生成的解释泛化、模糊甚至产生错误因果链。

本文的核心洞见在于:EHR 中的临床概念并非孤立存在,而是在医学图谱的病理逻辑与治疗目标约束下呈现出高度集中的局部社区结构(例如 2 型糖尿病天然与高血糖、胰岛素抵抗、糖化血红蛋白检测及降糖药紧密关联)。核心 idea:将多病共存的复杂 EHR 记录解构为以单病种为中心的局部图社区——临床理由单元(CRU),结合 ML 统计先验与受限图谱探索,使大语言模型得以在细粒度、解耦的医学子问题上完成精准可追溯的循证推理。

方法详解

整体框架

CRU-Reason 构建了“先验挖掘 → 单元构建 → 解耦推理 → 综合汇总”的四阶段流水线。给定患者的历史就诊记录 \(X = \{x_1, \dots, x_T\}\)(包含疾病集合 \(D\)、手术集合 \(P\) 和用药集合 \(M\)),系统首先利用预训练 ML 模型和全局医学知识图谱双向发现候选目标;接着以各未访问疾病为种子节点,通过专家元路径与语义相关性双重约束的有向宽度优先搜索(BFS)划分出多个互不重叠的临床理由单元(CRU);随后由 LLM 分别针对每个 CRU 进行上下文提炼,并在 ML 先验指导下对候选集展开逐步审校和打分;最后通过跨单元汇聚得出最终预测集合与解释性理由。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["患者历史 EHR 记录<br/>(疾病 D, 手术 P, 药物 M)"] --> B["阶段 1:候选目标发现<br/>ML 统计先验 + KG 拓扑扩展"]
    B --> C["阶段 2:受限 BFS 图谱探索<br/>元路径过滤 + 语义相关性评分"]
    C --> D["阶段 3:CRU 上下文结构化提炼<br/>子图拓扑抽象 + 临床病况综述"]
    D --> E["阶段 4:CRU 细粒度先验指导推理<br/>双轨评分 + 循证理由生成"]
    E --> F["阶段 5:跨单元聚合与阈值决策<br/>得分加权平均 + 结构化预测输出"]

关键设计

1. 双轨候选目标发现:平衡统计精准度与医学知识覆盖度

由于纵向 EHR 存在极高的数据稀疏性,若直接促使通用大语言模型在大规模词表上预测药物或诊断,往往会生成不切实际的幻觉候选。为解决这一痛点,框架利用预训练的时序机器学习模型 \(f_{\text{ML}}\)(如 StageNet)对历史就诊序列提取任务特定的数据驱动先验集合 \(E_{\text{ML}}\),同时基于患者记录中的实体在医学知识图谱 \(G\) 中提取 \(L\)-hop 邻域集合 \(E_{\text{KG}}\):

\[E_{\text{ML}} = f_{\text{ML}}(X_{\le T}), \quad E_{\text{KG}} = \bigcup_{e \in X_{\le T}} L\text{-hop}(e, G)\]

这种双轨候选机制让模型既拥有了来自大规模历史数据拟合的高精度任务敏感先验,又获得了覆盖罕见关联的医学知识拓扑作为兜底扩展。

2. 知识图谱受限探索构建 CRU:病灶解耦与局部社区聚类

传统方法将整份病历混杂输入导致因果归因模糊。为实现疾病层面的细粒度解耦,系统将就诊子图 \(G(x_t)\) 划分为若干独立的临床理由单元 \(H_{t,i} = (E_{\text{ctx}}^{t,i}, E_{\text{ML}}^{t,i}, E_{\text{KG}}^{t,i}, R_{t,i})\)。构建过程以就诊中未访问的疾病实体为种子节点执行宽度优先搜索(BFS),并强制引入两大硬性约束: - 专家元路径约束(Metapath Constraint):仅允许沿符合临床因果逻辑的预定义路径遍历(例如“疾病 \(\to\) 手术 \(\to\) 药物”),严禁无序的跳跃连接,确保推理轨迹具备病理与治疗因果合规性。 - 大模型相关性剪枝(Relevance Constraint):对候选边两端实体的关联性由 LLM 进行打分,仅保留超过临床相关性阈值的边(例如高血压与冠心病均属于心血管系统判定为 YES,弱关联边被剪枝)。

搜索过程在遍历所有可达节点后形成一个以单病为中心的连通分量,随后迭代至下一个未访问疾病,直至所有疾病实体被完全覆盖。这种无交叠的社区划分天然剥离了不相干并发症的噪声干扰。

3. 渐进式 CRU-wise 循证推理:先验迁移与跨单元打分汇聚

在解耦得到的各个 CRU 内部,推理过程分为两步实施:首先抽取单元诱导子图 \(G(E_{\text{ctx}})\),由 LLM 提炼出一段包含首要病因、继发风险及干预路径的临床病况综述 \(S\);随后进入候选审校。对于高置信度的数据驱动候选 \(e \in E_{\text{ML}}\),结合其与患者实体的局部关联图提示 LLM 输出离散评分 \(\hat{y}(e) \in \{0, 1, 2, 3, 4\}\) 及自然语言依据 \(o_{\text{ML}}(e)\)。

由于图谱候选 \(E_{\text{KG}}\) 缺乏任务导向性且包含较多弱相关实体,框架利用其与 ML 候选在历史数据中的共现频率 \(\phi(e, e')\),检索出 Top-\(k\) 个最强共现的 ML 候选理由作为 Few-Shot 示范集 \(B(e)\):

\[B(e) = \{o_{\text{ML}}(e') \mid e' \in \text{Top-k}_{e' \in E_{\text{ML}}} \phi(e, e')\}\]

通过先验示范引导 LLM 对图谱候选进行判别与校准,有效消除了孤立 KG 检索的语义漂移。最后,对跨多个 CRU 重复出现的候选,计算其加权平均得分,高于阈值者判定为最终推荐药物或预测疾病,并输出清晰绑定的临床循证依据。

一个完整示例

以一位患有“支气管肺癌合并慢性阻塞性肺疾病(COPD)、呼吸衰竭并接受肺叶切除术”的复杂重症患者为例: 1. CRU 划分:系统自动解耦构建出两个独立单元。CRU #1 聚焦于肺癌继发呼吸衰竭及通气支持;CRU #2 聚焦于术后感染预防及伴随症状。 2. 候选映射与推理:针对吸入剂(Inhalants),在 CRU #1 内图谱识别到“支气管癌 \(\to\) 并发 \(\to\) 呼吸衰竭”及“通气 \(\to\) 需配合 \(\to\) 吸入剂”,LLM 依据局部上下文给出 4/5 分高分推荐,理由为“贴合 COPD 急性加重与呼吸衰竭支持指南”;针对皮质类固醇(Corticosteroids),模型在 CRU #1 识别其可缓解急性加重(4/5 分),但在无关并发症 CRU #2 中仅作为姑息支持(2.5/5 分)。 3. 最终聚合:吸入剂凭借针对呼吸衰竭核心矛盾的明确循证依据胜出,并输出与肺部病变直接挂钩的单病归因报告,彻底避免了将抗生素与支气管病变混为一谈的粗糙归因。

实验关键数据

主实验

在 MIMIC-III (v1.4) 与 MIMIC-IV (v2.0) 真实临床公开数据集上,评测药物推荐(Drug Recommendation)与疾病诊断预测(Diagnosis Prediction)两大核心任务,评价指标采用宏观 F1 值、Jaccard 相似系数以及候选排序位次 Rank(Rank 越低越好):

任务 / 数据集 评估指标 CRU-Reason (本文) 强基线 (StageNet/GraphCare) 提升幅度 (相对改善)
MIMIC-III 用药推荐 Macro F1 ↑ / Jaccard ↑ / Rank ↓ 0.657 / 0.506 / 1.639 0.635 / 0.485 / 1.896 (TRANS) +3.5% / +4.3% / +13.6%
MIMIC-IV 用药推荐 Macro F1 ↑ / Jaccard ↑ / Rank ↓ 0.586 / 0.434 / 1.645 0.569 / 0.419 / 1.853 (StageNet) +3.0% / +3.6% / +10.4%
MIMIC-III 诊断预测 Macro F1 ↑ / Jaccard ↑ / Rank ↓ 0.397 / 0.260 / 2.047 0.321 / 0.211 / 2.439 (StageNet) +7.0% / +8.3% / +15.2%
MIMIC-IV 诊断预测 Macro F1 ↑ / Jaccard ↑ / Rank ↓ 0.370 / 0.243 / 2.037 0.327 / 0.219 / 2.803 (GPT4.1-m) +7.2% / +9.5% / +27.3%

在四个评测设定下,CRU-Reason 较既往表现最优的基线模型取得了平均 +9.4% 的综合预测表现提升,同时排序名次 Rank 均达到 ~1.6 至 ~2.0 的领先水准。

消融实验

通过对 MIMIC-III 与 MIMIC-IV 上的模块消融,验证 CRU 构建约束、知识图谱以及机器学习先验的独立价值:

配置变体 MIMIC-III 用药 F1 (Jaccard) MIMIC-IV 用药 F1 (Jaccard) MIMIC-III 诊断 F1 (Jaccard) MIMIC-IV 诊断 F1 (Jaccard) 性能相对变化说明
Full Model (CRU-Reason) 0.657 (0.506) 0.586 (0.434) 0.397 (0.260) 0.370 (0.243) 完整模型
w/o CNST (无约束构建 CRU) 0.648 (0.494) 0.582 (0.426) 0.385 (0.252) 0.345 (0.224) 缺乏约束导致图结构混入冗余噪声 (-1.5% ~ -2.0%)
w/ LM-CRU (纯 LLM 生成 CRU) 0.450 (0.305) 0.481 (0.330) 0.339 (0.222) 0.278 (0.178) 严重掉点 (-11.3% ~ -26.2%),说明缺乏图谱硬结构时 LLM 易聚类失真
w/o CRU (全病历整式推理) 0.629 (0.473) 0.560 (0.402) 0.378 (0.246) 0.342 (0.222) 失去局部聚焦,跨病种干扰显现 (-3.0% ~ -6.4%)
w/o KG (移除知识图谱) 0.598 (0.444) 0.528 (0.373) 0.353 (0.235) 0.317 (0.209) 丧失医学事实支撑与拓扑先验 (-7.6% ~ -10.5%)
w/o ML (移除 ML 候选先验) 0.488 (0.342) 0.457 (0.314) 0.361 (0.203) 0.297 (0.185) 缺乏数据分布导向与强先验过滤,掉点最为剧烈 (-13.5% ~ -25.3%)

关键发现

  • ML 统计先验是基础判别的定海神针:移除 ML 模型(w/o ML)导致指标骤降 13.5% 至 25.3%,证明即便有 KG 和超大参数 LLM,在高度离散稀疏的 EHR 现实世界数据中,缺乏时序判别模型的统计先验约束极易陷入搜索空间爆炸与误报。
  • 纯 LLM 自发社区构建并不可靠:对比 w/ LM-CRU,利用 KG 的确定性拓扑结合受限 BFS 能显著抑制 LLM 的自由联想偏差;不加约束的粗放遍历(w/o CNST)与浅层截断(1-hop BFS)均会导致关键临床依据断裂。
  • 跨数据集迁移(OOD)具备优异稳健性:在 MIMIC-III 与 MIMIC-IV 互为训练集与测试集的跨机构评估中,CRU-Reason 的相对性能衰减显著低于 StageNet(-26.2% ~ -35.3%)和 GraphCare(-23.4% ~ -38.6%),诊断预测任务上衰减仅有 -2.4% 与 -5.0%,表明结构化医学知识的引入极大地弥补了时序黑盒模型对特定数据分布的过拟合。

亮点与洞察

  • 单病种解耦的循证单位概念:打破了过去将多重并发症纵向病历一股脑喂入模型的整式处理惯性,将临床实践中的专科会诊逻辑具象化为计算图单元,使机器推断不仅能给出“给什么药”,更明确指出了“为了哪种并发症而给”。
  • 知识驱动与数据驱动的协同闭环:巧妙地将 ML 高精度候选作为 Few-Shot 示例迁移到广义 KG 候选的审校流程中,兼具了时序模型的统计敏锐度与医学知识图谱的开集泛化力。
  • 医师可采信的双盲高胜率:在由三位认证医师参与的 2,000 例双盲评测中,针对医学事实接地性(Grounding)、证据细粒度(Granularity)与安全禁忌(Safety)取得了最高达 81.0% 的医师胜率,证明了其在辅助诊疗解释上的实用价值。

局限与展望

  • 依赖结构化实体编码输入:当前模型基于标准化 ICD / CCS / ATC-3 离散编码设计,未直接集成原始无结构化临床查房笔记与出院小结的自由文本抽取,面临上游编码误差传导的风险。
  • 医学图谱的事实完整度假定:直接沿用了开源的 KARE 图谱,未对图谱自身三元组的事实性错误或版本陈旧进行动态校验,图谱先验瑕疵可能传导至最终决策。
  • 缺乏连续性不确定度校准:模型当前的评分基于 0 到 4 分离散等级及均值聚合,未能输出经过严格置信度校准的连续概率密度,未来可进一步引入保形预测(Conformal Prediction)增强安全不确定度量化。

相关工作与启发

  • vs KARE / MedRAG:传统 KG+LLM 检索方案直接从图谱中全局抽取与样本统计匹配的孤立子图,缺乏与患者具体病灶绑定的连通约束;CRU-Reason 从患者当前具体病变出发通过受限搜索构建单元,在保持医学相关性的同时杜绝了无关疾病的上下文污染。
  • vs GraphCare / StageNet:纯图神经网络或深度时序模型长于拟合分布但在多标签关联与因果解释上极度贫瘠;CRU-Reason 吸收其输出作为高阶先验,成功将黑盒统计概率升级为结构清晰的循证推理链。

评分

  • 新颖性: ⭐⭐⭐⭐⭐ 提出临床理由单元(CRU)概念,首创将多病历图谱解析为单病种解耦子图并引导 LLM 进行细粒度推理。
  • 实验充分度: ⭐⭐⭐⭐⭐ 双数据集、跨任务(药物推荐与诊断预测)、跨机构 OOD 迁移验证、多基座模型消融以及专业医生双盲质评,证据链极其扎实。
  • 写作质量: ⭐⭐⭐⭐⭐ 逻辑结构严丝合缝,动机阐述自洽,案例分析与实验表格排布高度专业。
  • 价值: ⭐⭐⭐⭐⭐ 兼顾了时序模型的判别精度与现代大模型的循证可解释性,为严肃临床 AI 决策支持系统指明了务实落地路径。