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NLP
关键词: 临床预测, 医疗知识图谱, 大语言模型, 临床理由单元, 可解释推理

一句话总结

提出融合机器学习统计先验、知识图谱与大语言模型的 CRU-Reason 框架,通过规则受限的图探索将电子健康记录分解为以疾病为中心的临床理由单元(CRU),驱动大模型进行细粒度循证推理与可信归因,在 MIMIC-III 与 MIMIC-IV 上的用药推荐与诊断预测任务中平均提升 9.4%。

研究背景与动机

基于电子健康记录(EHR)的临床预测(如用药推荐、疾病复发预测与死亡率估计)是现代临床决策支持系统的基石。传统机器学习方法(如 StageNet、RETAIN、RNN 及图神经网络)擅长从大规模序列化 EHR 中挖掘统计模式,具备较强的预测拟合能力;然而这类模型本质上属于黑盒系统,无法输出与医学知识严格对齐、临床医生可读的归因解释。近期将大语言模型(LLM)与外部医学知识图谱(KG)结合的尝试,虽然借助结构化三元组引入了医学实体关系,但现有方案大多采用单次贯通的整病历粗粒度推理模式(monolithic reasoning),直接把患者跨越数次就诊、涵盖数十种不同疾病与用药的全局上下文和检索到的图谱子图一次性抛给模型。

这种粗粒度整病历建模导致了严重的临床归因阻碍:真实患者的病史通常极其繁杂且伴随多病共存,泛用型图谱检索很容易引入跨器官、跨治疗周期的无关噪声三元组;而当模型面对混杂的多重病症时,难以精确追踪某一项药物或诊断是由哪一个原发疾病或并发症所触发,进而极易产生医学逻辑貌似合理却脱离实际病情的幻觉解释。事实上,临床特征在医学知识图谱的局部拓扑中呈现天然的聚集结构,疾病、病理机制、对应检查与药物往往围绕特定临床目标形成语义簇。经验统计表明,将连接的概念置于局部社区中联合建模时,其识别真实药物的概率提升了 67%,排除非适应症药物的概率提升了 74%。

因此,如何打破整病历粗粒度黑盒推理,将患者异构复杂的 EHR 记录显式拆解为语义完备、疾病聚焦的局部临床结构,成为兼顾预测性能与临床可解释性的关键突破口。核心 idea:构建以疾病为中心的临床理由单元(Clinical Rationale Units, CRU),协同利用机器学习模型的精准统计先验与医学图谱的结构化关系,驱动大语言模型在局部子图上开展模块化、可循证的细粒度临床推理。

方法详解

整体框架

CRU-Reason 的整体架构分为三个协同阶段:双源候选协同发现、规则受限的 CRU 构建、以及基于 CRU 的分层大模型推理与聚合。系统首先针对患者历史记录,分别利用预训练机器学习模型提取高精度的时序候选先验,并利用医学知识图谱检索拓扑近邻候选项;随后以病历中的疾病为种子节点,通过元路径约束与 LLM 语义相关性剪枝执行受限广度优先搜索(BFS),把整份就诊图谱划分成若干相互独立的连通子图(即 CRU);最后,LLM 先对每个 CRU 内部上下文生成医学摘要,再分别对机器学习候选与知识图谱候选执行证据链打分与解释生成,通过跨单元聚合输出最终预测与可解释临床理由。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["患者历史 EHR<br/>(疾病 D, 手术 P, 药物 M)"] --> B["双源候选协同发现<br/>ML统计先验 + KG图谱邻域"]
    B --> C["规则受限 CRU 构建<br/>元路径约束 + LLM语义剪枝 BFS"]
    C --> D["CRU 上下文摘要生成<br/>生成局部临床状态叙述 S"]
    D --> E["细粒度双轨推理与聚合<br/>ML少样本迁移引导 + 跨CRU打分融合"]
    E --> F["输出预测结果与可解释理由<br/>(预测分数 + 循证归因链)"]

关键设计

1. 双源候选协同发现:结合时序统计先验与知识图谱全局关联

单纯依赖通用大模型在庞大的医学词表(涵盖数千种疾病与药物代码)中直接预测目标时,模型极易由于缺乏临床任务偏置而产生大量不切实际的幻觉;而独立使用知识图谱检索又因图谱本身脱离具体任务目标而导致候选项过于宽泛。为此,该设计将候选集来源解耦为数据驱动的机器学习先验 \(E_{\text{ML}}\) 与领域知识驱动的图谱检索集合 \(E_{\text{KG}}\):

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

其中 \(f_{\text{ML}}\) 采用在纵向 EHR 数据上预训练的轻量化时序模型(如 StageNet),输出对下游任务高度敏感的候选子集;\(L\text{-hop}(e, \mathcal{G})\) 则从全局医学图谱 \(\mathcal{G}\)(包含 43,601 个实体和 229,991 条关系)中提取观察概念的局部拓扑邻域(默认 \(L=1\))。这种互补设计既利用了轻量 ML 模型对时序病程统计相关性的敏锐捕捉能力,又利用知识图谱兜底了长尾与潜在的关联药物,避免因单纯搜索空间过大导致大模型推理崩溃。

2. 规则受限的 CRU 子图构建:基于元路径与语义相关性约束的广度优先探索

若直接将病历概念在图谱中做全连通展开,会导致不同器官病变与不相关医疗事件相互缠绕,重蹈粗粒度推理的覆辙。为了将复杂病历解析为临床自洽的模块,该模块提出临床理由单元(CRU)的定义:一个以特定原发疾病为核心的连通子图 \(H = (E_{\text{ctx}}, E_{\text{ML}}, E_{\text{KG}}, R)\)。构建时首先根据训练集中疾病与目标候选项的共现频率计算目标分布的信息熵,按照信息熵由低到高(即预测指示性由强到弱)对就诊中的疾病进行优先级排序,依次作为种子节点展开探索。

为了防止图谱游走时发生语义漂移,探索过程施加了两大约束规则:其一是专家制定的医学元路径约束(如疾病 \(\to\) 手术 \(\to\) 药物的 \(D \to P \to M\) 路径),强行限定游走只能沿符合病理机制与治疗流程的方向延伸;其二是大模型语义相关性过滤,对每条候选转移边 \((u \to r \to v)\) 调用 LLM 评估两实体是否从属于同一疾病病程或同一解剖系统,仅保留判定为相关的有效边。在满足上述双重约束的前提下,算法从排序后的各疾病种子节点出发执行深度受限的 BFS 探索(用药任务最大步长为 3,诊断任务最大步长为 2),从而将整个就诊图谱划分为若干互不重叠、以主要疾病为核心的 CRU 连通分支。

3. 细粒度 CRU 上下文生成与双轨分层推理:少样本范式下的任务对齐与跨单元聚合

在获得结构化的 CRU 子图后,LLM 不再面对全局病历,而是对每个 CRU 独立执行循证评估,彻底消除了跨疾病干扰。该设计包含由浅入深的三级推理逻辑:

首先进行局部上下文提炼,提取当前 CRU 内部病历概念诱导的局部子图 \(G(E_{\text{ctx}})\),提示 LLM 将离散的代码与关系整合成一段连贯连贯的临床状态综述 \(S = \text{LLM}(I_{\text{ctx}}, E_{\text{ctx}}, G(E_{\text{ctx}}))\),明确该单元涉及的主要病理、当前并发症及干预策略。

其次开展双轨候选验证。针对来自 ML 的高可信候选 \(e \in E_{\text{ML}}\),模型抽取其与当前单元上下文概念的直连子图 \(G(e, E_{\text{ctx}})\),驱动 LLM 输出离散评分 \(\hat{y}(e) \in \{0, 1, 2, 3, 4\}\) 与自然语言理由 \(o_{\text{ML}}(e)\)。针对来自 KG 的通用候选 \(e \in E_{\text{KG}}\),由于图谱候选通常缺乏任务特异性,该设计提出基于历史共现的少样本知识迁移:检索在病史中与该图谱候选共现频率最高的 top-\(k\) 个 ML 候选,将其生成的验证理由作为高质量上下文示范 \(B(e)\),引导 LLM 在 \(B(e)\) 的规范下完成对图谱候选的评估打分与解释生成。

最后,系统汇总患者所有就诊历史中跨全部 CRU 的候选项评分;若某候选项在多个并发 CRU 中均被推荐,则对其预测分数取平均值,超过决策阈值的候选项作为阳性结果输出,并附带各自 CRU 中追溯明确的解释证据链。

一个完整示例

以一位患有严重肺部疾病且伴发感染的真实患者为例: 1. 输入病历:主诉诊断包含支气管癌(Cancer of bronchus)、慢性阻塞性肺疾病(COPD)、呼吸衰竭(Respiratory failure)、急性休克,执行了胸腔穿刺术(Thoracentesis)与机械通气(Ventilation)。 2. 候选发现与 CRU 拆解:系统通过受限 BFS 成功将复杂的全病历分离为两个相互解耦的 CRU。CRU #1 聚焦于呼吸道器质性病变,聚合了支气管癌、COPD、呼吸衰竭、机械通气等实体,并关联吸入剂类药物与皮质类固醇(Corticosteroids);CRU #2 则聚焦于感染性休克并发症,关联抗感染药物。 3. 分层推理与判别:在评估皮质类固醇时,CRU #1 提取出支气管病变与通气支持上下文,给出 4/5 的高分并生成理由:“皮质类固醇可有效缓解 COPD 急性加重并减轻呼吸衰竭的炎症反应”;而在另一伴随前列腺癌历史病灶的潜在单元中,模型则正确输出 2.5/5 并判定不宜作为主推治疗。多单元打分聚合后,吸入剂与类固醇均获得明确的病理支撑和适应症归因,避免了传统方法在全病历混乱上下文中的模糊推荐。

实验关键数据

主实验

实验在 MIMIC-III(v1.4)与 MIMIC-IV(v2.0)两个权威公开临床数据集上展开,全面对比了传统机器学习模型、通用及推理大语言模型、知识图谱增强方法以及多技术融合基线。

数据集 任务 评估指标 CRU-Reason (本文) 次优基线 (Second Best) 相对提升 (Gain)
MIMIC-III 用药推荐 (Drug Rec.) Macro F1 ↑ 0.657 0.635 (RETAIN) +3.5%
MIMIC-III 用药推荐 (Drug Rec.) Jaccard ↑ 0.506 0.485 (TRANS) +4.3%
MIMIC-III 用药推荐 (Drug Rec.) Rank ↓ 1.639 1.896 (TRANS) +13.6%
MIMIC-IV 用药推荐 (Drug Rec.) Macro F1 ↑ 0.586 0.569 (StageNet) +3.0%
MIMIC-IV 用药推荐 (Drug Rec.) Jaccard ↑ 0.434 0.419 (StageNet) +3.6%
MIMIC-IV 用药推荐 (Drug Rec.) Rank ↓ 1.645 1.853 (StageNet) +10.4%
MIMIC-III 诊断预测 (Diagnosis) Macro F1 ↑ 0.397 0.371 (Qwen3-235B) +7.0%
MIMIC-III 诊断预测 (Diagnosis) Jaccard ↑ 0.260 0.240 (Qwen3-235B) +8.3%
MIMIC-III 诊断预测 (Diagnosis) Rank ↓ 2.047 2.439 (StageNet) +15.2%
MIMIC-IV 诊断预测 (Diagnosis) Macro F1 ↑ 0.370 0.345 (Qwen3-235B) +7.2%
MIMIC-IV 诊断预测 (Diagnosis) Jaccard ↑ 0.243 0.222 (Qwen3-235B) +9.5%
MIMIC-IV 诊断预测 (Diagnosis) Rank ↓ 2.037 2.803 (GPT4.1-mini) +27.3%

消融实验

为了探究 CRU 划分、先验约束以及多模块协同对临床预测性能的具体贡献,在 MIMIC-III 与 MIMIC-IV 上对各个核心组件进行了系统性消融。

配置 (Config) MIMIC-III 用药 F1 (∆%) MIMIC-III 用药 Jaccard MIMIC-III 诊断 F1 (∆%) MIMIC-IV 用药 F1 (∆%) MIMIC-IV 诊断 F1 (∆%) 说明
Full model (完整模型) 0.657 (-) 0.506 0.397 (-) 0.586 (-) 0.370 (-) 包含全部模块的完整系统
w/o CNST (去除构建约束) 0.648 (-2.0%) 0.494 0.385 (-1.5%) 0.582 (-1.6%) 0.345 (-1.7%) 去除元路径和相关性剪枝约束
w/ LM-CRU (LLM聚类CRU) 0.450 (-26.2%) 0.305 0.339 (-11.3%) 0.481 (-15.5%) 0.278 (-17.0%) 弃用图探索,改由LLM直接切分单元
w/o CRU (去除单元细粒度划分) 0.629 (-3.0%) 0.473 0.378 (-3.4%) 0.560 (-6.4%) 0.342 (-6.4%) 采用整病历粗粒度单次贯通推理
w/o KG (移除知识图谱模块) 0.598 (-7.8%) 0.444 0.353 (-7.6%) 0.528 (-9.0%) 0.317 (-10.5%) 不引入图谱结构先验与知识候选
w/o ML (移除机器学习先验) 0.488 (-20.1%) 0.342 0.361 (-13.5%) 0.457 (-23.1%) 0.297 (-25.3%) 不使用预训练ML先验,仅靠LLM+KG

关键发现

  1. 机器学习先验是预测精度的首要保障:去掉 ML 模块(w/o ML)在两数据集的用药任务上 F1 暴跌 20.1% 至 23.1%,在诊断任务上暴跌 13.5% 至 25.3%。这表明纯 LLM 结合 KG 依然缺乏纵向时序拟合能力,ML 提供的精准先验是缩小检索空间的关键支柱。
  2. 规则图探索对单元质量至关重要:若完全依赖大模型自主划分临床单元(w/ LM-CRU),性能出现灾难性下滑(用药任务 F1 降低 26.2%)。这揭示出大模型自身缺乏严格的拓扑边界控制,极易生成松散、甚至违背医学拓扑的分组;而基于元路径与规则约束的知识图谱探索能提供稳定可靠的临床语义屏障。
  3. 细粒度单元推理显著提升真实临床可用性与鲁棒性:在三位持证执业医师的盲评中(双盲对比 2000 个案例,Kappa 一致性系数达 0.82),CRU-Reason 在合理性、安全性与可解释性上对 MedReason、MedIKAL 与 KARE 取得了 53.5% 至 81.0% 的绝对胜率;在跨数据集分布外(OOD)评估中,CRU-Reason 的跨集迁移衰减仅为 -2.4% 至 -14.6%,远小于纯深度模型 26% 至 38% 的崩溃式下滑。

亮点与洞察

  • 临床理由单元(CRU)的模块化解耦机制:不同于以往将整份病历与庞大知识图谱强行压缩到 Prompt 中的粗暴做法,CRU 将临床知识抽象为以疾病为核心的语义单元,从结构根源上斩断了跨疾病干扰与上下文污染。
  • ML 先验指导与 KG 泛化能力的精妙平衡:用训练好的轻量级时序 ML 提供任务特异的高精度候选,用无监督的医学 KG 保证覆盖度与因果机理解释,并通过少样本示范将 ML 的判别逻辑迁移至 KG 候选评估中,实现了统计学习与符号推理的紧密协同。
  • 可迁移的临床 Agent/Workflow 设计范式:这种“时序模型提候选 \(\to\) 规则与图谱划分子图 \(\to\) LLM 单元细粒度推理与归因 \(\to\) 多单元打分聚合”的流水线,完全可外推至重症监护多器官衰竭预警、复杂慢病用药冲突审查与多学科会诊智能体设计中。

局限与展望

  • 依赖结构化代码输入:本方法评测基于 MIMIC 数据集中经过标准化清洗的 ICD/CCS 与 ATC 代码体系,尚未整合自由文本形式的非结构化临床查房笔记与出院小结,未能评估文本信息抽取误差对 CRU 构建的连锁影响。
  • 知识图谱的静态性与准确性依赖:实验直接沿用了 KARE 构建的医学知识图谱,未对图谱中可能存在的过时三元组或噪声关系进行独立的事实性再验证,图谱本身的错误有可能沿推理链向终端传播。
  • 计算推理开销与不确定性标定缺失:虽然 CRU 架构大幅减少了单次推理的上下文长度,但多单元拆分评估导致患者平均调用 LLM 的次数上升至 25-57 次;同时,模型当前输出离散置信度评分,尚未提供临床部署亟需的校准后概率与认知不确定性估计。

相关工作与启发

  • vs 纯黑盒时序模型 (StageNet, RETAIN):纯深度学习模型在纵向序列建模上具有优异的统计判别力,但无法向医生输出医学知识对齐的诊断依据;CRU-Reason 完整保留了这类模型的拟合优势作为候选先验,同时补充了临床可读的因果解释链。
  • vs 全局图谱检索大模型 (GraphCare, KARE, MedReason):以往方法将检索到的全局子图整体输入大模型,推理粒度粗且极易混入非相关疾病噪声;CRU-Reason 引入疾病中心化约束与元路径剪枝,将推理精细化解耦到各个 CRU 单元中,在解释细粒度与安全性上展现出代际优势。

评分

  • 新颖性: ⭐⭐⭐⭐⭐ 首次提出临床理由单元(CRU)概念,将知识图谱与EHR数据按疾病核心解耦为模块化推理单元,构思极为精巧。
  • 实验充分度: ⭐⭐⭐⭐⭐ 涵盖两大数据集、两大核心任务、跨模型Backbone泛化性评测、OOD跨集测试、消融实验以及持证医师双盲定性评估。
  • 写作质量: ⭐⭐⭐⭐⭐ 框架动机论证充分,公式与算法链路条理清晰,图文呼应紧密。
  • 价值: ⭐⭐⭐⭐⭐ 成功打通了轻量统计模型与知识图谱、大模型推理的协同壁垒,为医疗高风险场景下的可信AI决策支持提供了标杆范式。