DoAtlas-1: A Causal Compilation Paradigm for Clinical AI¶

会议: NeurIPS 2026
arXiv: 2602.19158
代码: https://knowledgebase.pheno.ai/
领域: 医疗 LLM
关键词: 因果编译, 临床决策支持, 可执行因果查询, 冲突感知图谱, 真实世界验证

一句话总结¶

提出因果编译范式并构建 DoAtlas-1 系统，将异构医学文献从叙述性文本编译为结构化、可执行的干预因果估算目标对象，支持 6 类严格的因果查询并在大型前瞻性深度表型队列中实现统计闭环验证。

研究背景与动机¶

临床大语言模型与检索增强生成（RAG）系统在医疗智能问答领域取得了显著进展，能够基于文献生成看似合理且带有引文依据的叙述性解释。然而在真实临床诊疗决策中，医生真正依赖的不是言之成理的文献陈述，而是明确边界下的干预因果效应估计——即针对特定靶人群，实施具体治疗干预相较于对照方案究竟能在指定时间窗口内产生多大程度的临床获益或风险降低。现有基座模型将文献仅仅视作表面文字检索的论据库，缺乏将异构临床研究结论形式化、参数化的数学机理，使得关键决策要素（干预对照定义、效应测量标度、时间窗口、目标人群界定）常常隐含且模糊。

这种范式缺陷带来了三大不可逾越的鸿沟：一是缺乏可重算的干预估算目标（Estimand），文本叙述无法直接支持严谨的因果推演与临床审计；二是缺乏效应量级量化与不确定性传播机制，当多项研究对同一药物或生物标志物给出相互矛盾的结论时，语言模型通常只能模糊地输出“各研究结论存在分歧”，无法以结构化形式呈现方向反转、置信区间不相交或高度异质性；三是完全缺失真实世界外部验证机制，无法验证文献断言在真实患者队列中的外推有效性与可靠性边界。临床决策支持系统若要迈向真正负责任的部署，核心需求不是生成更加流畅的诊断叙述，而是构建具备估算目标规范化、冲突治理与真实世界检验能力的因果计算基础设施。

为了破解这一困局，本文跳出单纯的“文本检索与润色生成”逻辑，首次提出将异构医学证据直接“编译为可执行代码”的因果编译范式。本文的核心 idea 是：将异构医学证据统一抽象为包含人群、干预对照、结局、时间窗口与度量泛函的五元组中间表示，通过保语义的规范化算子与分桶键诱导出冲突感知的多重边因果图谱，支持 6 类形式化因果查询，并与万名前瞻性人类表型项目（HPP）真实世界队列对接实现方向与效应强度的统计闭环验证。

方法详解¶

整体框架¶

DoAtlas-1 的核心流程由“证据提取与中间表示映射”、“算子规范化与分桶构建”、“多重边因果图谱组织与冲突检测”、“6 类形式化因果查询执行”以及“HPP 真实世界队列统计验证”五个级联阶段构成。系统首先从海量临床研究中抽取干预对照与效应参数，生成无歧义的五元组估算目标；接着通过规范化算子将其投影至标准尺度并做时间跨度对齐；随后按规范化键聚类为桶，并执行无假阴性的冲突检验谓词；最后根据外部查询签名在多重边图谱中调度对应证据子集进行确定性因果求解，并在真实多组学队列中做回溯检验。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["异构医学文献证据<br/>RCT / 队列研究 / 观察性研究"] --> B["1. 估算目标中间表示与规范化算子<br/>五元组IR映射 + 尺度对齐 + 时间窗对齐"]
    B --> C["2. 桶键机制与冲突感知多重边图谱构建<br/>等价类分桶 + 3类冲突谓词检测 + 质量评分"]
    C --> D["3. 六类可执行因果查询算子与真实世界验证<br/>Qdo / Qcf / Qtraj / QCATE / Qmed / Qjoint"]
    D --> E["HPP 深度表型队列验证<br/>10,000人多组学队列统计闭环检验"]
    E --> F["可审计决策对象 Ans<br/>定量效应值 + CI + 冲突标志 + 证据来源"]

关键设计¶

1. 估算目标中间表示与规范化算子：解决异构报告标准不一与不可比问题

临床文献中不同研究采用的模型千差万别（如 Cox 模型报告风险比 HR、逻辑回归报告优势比 OR、线性模型报告均值差 MD），报告的时间跨度与干预对照也缺乏统一尺度，导致后续无法做数值比较与合成。为此，本文定义了严格的估算目标中间表示（Estimand IR）五元组 $\varepsilon = (\Pi, \iota, o, \tau, \mu)$，其中 $\Pi = (p_{\mathrm{bucket}}, p_{\mathrm{setting}})$ 刻画目标人群类别与入排背景，$o$ 对应标准化结局表型，$\tau$ 刻画时间窗口（急性、固定随访或时间-事件机制），$\iota = (c_{\mathrm{type}}, \delta, u, x_0, x_1)$ 精确描述干预对照类型（单位暴露、二元处理、对照臂对比或多分类对照），$\mu$ 指定度量泛函族与类型。数值断言则表示为 $c = (\theta, \mathrm{CI})$，附带来源元数据 $\pi$。

在此基础上，设计了保语义的确定性规范化算子 $\mathcal{N}: (\varepsilon, c) \mapsto (\varepsilon_{\mathrm{canon}}, c_{\mathrm{canon}}, \alpha)$。该算子具备确定性、幂等性与语义保持性：对相对效应族（比值族 $\mathcal{F}_{\mathrm{ratio}}$：HR, RR, OR），将其数值投影至对数标度 $\theta_{\mathrm{canon}} = \log(\theta)$，置信区间相应变换为 $\mathrm{CI}_{\mathrm{canon}} = [\log(\theta_{\mathrm{lower}}), \log(\theta_{\mathrm{upper}})]$；对绝对效应族（差值族 $\mathcal{F}_{\mathrm{difference}}$：MD, RD），则保持恒等映射。同时，设计确定性时间窗对齐策略 $\hat{\tau} = \mathrm{align}(\tau)$，预先划定急性阈值 $\delta_{\mathrm{acute}}$ 与离散时间箱，将语义一致但表述略异的随访时间（如“12个月”与“52周”）稳定映射至规范时间类。所有规范化假设及原始单元尺度变换均无损保存在辅助上下文 $\alpha$ 中，保证了逆映射 $\mathcal{N}^{-1}$ 的重构保真度。

2. 桶键机制与冲突感知多重边图谱构建：解决冲突不可见与不可聚合问题

在完成规范化后，随意聚合跨研究结论会导致严惩的混淆与伪结论。本文引入基于规范化桶键（Bucket Key）的等价关系来严格界定可比性（Comparability）： $$k(\varepsilon_{\mathrm{canon}}) = \Big(\kappa_{\Pi}(\Pi),\, X,\, Y,\, \hat{\tau},\, \kappa_{\iota}(\iota),\, \kappa_{\mu}(\mu_{\mathrm{canon}})\Big)$$ 两个断言等价 $\varepsilon_1 \sim \varepsilon_2 \iff k(\varepsilon_{1,\mathrm{canon}}) = k(\varepsilon_{2,\mathrm{canon}})$。该键要求人群大类、干预项 $X$、结局 $Y$、对齐时间类 $\hat{\tau}$、对照类型 $c_{\mathrm{type}}$ 以及度量族 $m_{\mathrm{family}}$ 完全一致。而可聚合性（Poolability）则在可比性之上追加同一具体度量类型约束（如 HR 仅与 HR 聚合，不与 RR 强行合并数值）。

每个等价类构成一个证据桶 $\mathcal{B}_s$。针对桶内证据，构建了穷尽判决的不协调谓词集 $\mathcal{F}(\mathcal{B}) = (\mathrm{types}, \mathrm{severity}, \mathrm{witnesses})$，包含三类可判定冲突：方向反转冲突、置信区间完全不重叠冲突以及高度统计异质性（$I^2$ 超过设定阈值）。系统定理证明了该检测器针对预定义冲突分类 $\mathcal{F}$ 具备 100% 召回率（无假阴性）。此外，定义综合证据等级、样本量、精度与混杂校正质量的多维确定性单调评分函数 $Q(\varepsilon, c, \pi)$，在可聚合子集 $\mathcal{P}_s \subseteq \mathcal{B}_s$ 中确定性选取最高分项作为图谱边上的默认核 $(\varepsilon_s^*, c_s^*, \pi_s^*)$，形成包含 1,113 个节点与 1,053 条唯一有向边的多重边因果图谱。

3. 六类可执行因果查询算子与真实世界闭环验证：解决模型不可执行与外部可信度缺失问题

面向实际临床决策场景，DoAtlas 将复杂的因果推断需求抽象为 6 类具备形式化输入输出签名的类型化查询算子，使因果推理可编程： - $Q_{\mathrm{do}}(X, Y, \varepsilon)$：干预因果效应查询，评估施加 $do(X)$ 相对于明确对照在结局 $Y$ 上的定量效应 $\hat{\theta}$ 及置信区间； - $Q_{\mathrm{cf}}(X, Y, z, \varepsilon)$：反事实推断，回答特定个体或特征背景 $z$ 下的反事实“What-If”问题； - $Q_{\mathrm{traj}}(X, Y, \mathcal{T}, \varepsilon)$：动态时间轨迹查询，追踪效应随时间序列集合 $\mathcal{T}$ 的演化过程； - $Q_{\mathrm{CATE}}(X, Y, z, \varepsilon)$：条件异质性处理效应，获取特定亚群 $z$（如合并症、性别、年龄分层）的精准效应； - $Q_{\mathrm{med}}(X, M, Y, \varepsilon)$：中介机制路径分解，在满足可识别性假设时分解直接效应与间接效应（如计算利尿 vs 肾保护通路占比）； - $Q_{\mathrm{joint}}(X_1, X_2, Y, \varepsilon)$：联合干预建模，识别多药联用是否存在协同、加性或拮抗效应。

查询输出统一封装为可审计对象 $\mathsf{Ans} = (\varepsilon, \hat{\theta}, \mathrm{CI}, \pi, \mathcal{F}(\mathcal{B}), \mathrm{flags})$。若底层证据缺失或前置假设不成立，系统绝不强行编造数值，而是激活显式诊断标志（如未对齐、缺失暴露等），清晰划定可执行边界。最后，系统将文献编译所得的因果规范对接到大型前瞻性深度表型队列——人类表型项目（HPP，包含 10,000 名受试者，覆盖 17 个生理系统、多组学及连续生理监测），利用真实世界数据自动比对效应方向、效应量区间与亚群稳定性，建立起文献因果断言的外部可信度基准。

一个完整示例¶

考虑临床场景：一位 68 岁男性患者，合并 2 型糖尿病（T2DM）、射血分数降低型心力衰竭（HFrEF，EF 35%）及慢性肾脏病（eGFR 45 mL/min/1.73m²）。临床医生拟评估启动达格列净（Dapagliflozin）治疗的心血管与肾脏获益。 1. 语义查询传入：系统收到 $Q_{\mathrm{do}}(\text{Dapagliflozin vs Placebo}, \text{HF worsening or CV death}, \varepsilon)$。 2. 图谱匹配与分桶检索：系统根据桶键 $k = (\text{T2DM/HF}, \text{Dapagliflozin}, \text{HF/CV death}, \hat{\tau}=18\text{mo}, \text{binary}, \text{ratio})$ 检索到对应证据桶，命中包含来自 DAPA-HF 等高等级 RCT 证据。 3. 规范化与冲突仲裁：系统检验该桶内证据无方向反转冲突，置信区间重叠良好，经 $Q$ 评分函数锁定最优核。 4. 确定性求解与返回：返回 $\hat{\theta} = \text{HR } 0.73$ [0.60–0.88]，对应 27% 相对风险降低（RRR），同时附带文献 DOI、GRADE A 等级。若进一步查询复合肾脏结局，系统返回 2.3 年随访下 $\text{HR } 0.61$ [0.51–0.72]（39% RRR）。所有断言在 HPP 队列中检验方向一致性，输出具有完整审计链的结构化对象。

损失函数 / 训练策略¶

DoAtlas 属于编译与符号因果推理系统，其核心选择逻辑由证据质量打分准则 $Q(\varepsilon, c, \pi)$ 驱动，而非传统的随机梯度下降。评分函数设计遵循严格的确定性与多维单调性公理： $$Q(\varepsilon, c, \pi) = w_1 \cdot S_{\mathrm{grade}}(\pi) + w_2 \cdot \log(n) + w_3 \cdot \frac{1}{\mathrm{width}(\mathrm{CI}_{\mathrm{canon}})} + w_4 \cdot S_{\mathrm{adj}}(\pi)$$ 其中权重 $w$ 预先固化，$S_{\mathrm{grade}}$ 编码研究设计等级（RCT > 前瞻队列 > 回顾队列），$\log(n)$ 反映样本规模权重，置信区间跨度倒数惩罚估计模糊度，$S_{\mathrm{adj}}$ 量化混杂变量校正的充分性。若存在相同最高分，由预设的稳定 Tie-breaking 规则决胜，确保整个知识图谱构建与查询响应完全确定、可复现、可审计。

实验关键数据¶

主实验¶

DoAtlas-1 从心血管、糖尿病及代谢性疾病领域的 754 篇临床研究中编译出 1,445 个效应核，归纳为 1,110 个规范化证据桶。基准评测包含六类因果算子的查询执行表现（表 5）以及基于 HPP 真实世界数据的外部验证基线对比（表 7）。

表 1：六类因果查询算子在评测套件上的执行率（含 25% 负样本测试）

查询算子	总查询数	成功执行数	执行率 (%)	结果评估
$Q_{\mathrm{do}}$ (干预效应)	250	200	80.0%	正确执行，明确返回点估计与 CI
$Q_{\mathrm{cf}}$ (反事实推理)	250	200	80.0%	精确匹配个体反事实上下文
$Q_{\mathrm{traj}}$ (动态轨迹)	45	36	80.0%	跨连续离散时间窗有效追踪
$Q_{\mathrm{CATE}}$ (亚群异质性)	200	163	81.5%	准确解析亚群条件约束
$Q_{\mathrm{med}}$ (中介机制分解)	36	29	80.6%	成功分解直接与间接效应路径
$Q_{\mathrm{joint}}$ (联合干预)	134	107	79.9%	正确建模双重处理交互项
整体汇总	915	735	80.5%	诊断标志清晰拦截未覆盖边界

表 2：HPP 真实世界数据外部验证对比

评估方法	验证覆盖率 (Coverage)	方向一致性 (Direction Agreement)	假阳性率 (False Positive)
Ours (因果编译范式)	0.625	1.000	0.000
Baseline-1 (无算子规范化)	0.643	0.713	0.047
Baseline-2 (纯文本提取 + 粗粒度队列)	0.861	0.712	0.630

消融实验¶

为了检验规范化各组成部分（尺度转换、时间窗对齐以及完整桶键机制）对证据整合质量与查询准确性的实际贡献，在消融设置下统计了分桶纯度（Purity）与可执行查询准确率（表 6）。

表 3：规范化算子与桶键设计的消融分析

系统配置	产生桶数	分桶纯度 (%)	查询准确率 (%)	关键消融缺陷表现
Full model (完整系统)	1,110	96.8%	100%	无，保持高内聚低耦合
w/o Scale Normalization (`no_canonical`)	~1,450	68.3% (-28.5pp)	87.3%	HR 与 logHR 造成伪分裂，破坏同类合并
w/o Time Alignment (`no_align_tau`)	~1,320	83.7% (-13.1pp)	93.6%	“12个月”与“1年”等语义同义时间窗过度分裂
w/o Contrast Type (`weak_key`)	~890	78.9% (-17.9pp)	94.8%	二元处理与连续剂量反应被错误混淆合并

关键发现¶

标度规范化是影响纯度的决定性因素：消融实验显示，跳过对数标度转换使分桶纯度大幅暴跌 28.5 个百分点，充分证明将异构比值度量统一映射至加性对数空间是正确聚类的前置核心。
冲突检测无遗漏：在构建的 1,110 个证据桶中，系统自动捕获 42 处冲突（34 个置信区间不重叠，14 个高度异质性，部分重叠），针对预设判定集合 $\mathcal{F}$ 实现了 100% 召回率和 100% 精确率。
外部验证杜绝虚假肯定：在 HPP 真实世界队列中，尽管 Baseline-2 凭借模糊的文本匹配获得了 0.861 的高覆盖，但其假阳性率高达 0.630；而 DoAtlas-1 在保持 0.625 可比覆盖的同时，实现了 100% 的方向一致性与 0 假阳性率，证明了严格因果编译规范在规避误导性决策时的强大威力。

亮点与洞察¶

从“叙述性生成”到“可执行编译”的范式转移：传统医疗 AI 本质是“知识检索 + 语句重组”，而 DoAtlas-1 首次将医学证据变为具备明确入参、严格约束和数学规范的可执行代码对象，使医疗大模型能够从展示型助手进化为负责任的决策分析引擎。
理论完备的冲突治理体系：系统不仅明确界定了可比性与可聚合性的数学边界，还提供了确定性且带证据反查（Witness）的冲突警示机制，彻底避免了盲目合并不同效应指标导致的医学伦理风险。
高效敏捷的知识增量演化：传统循证医学系统综述需要历时数月，而 DoAtlas 的图谱编译架构支持分钟级增量更新，当权威顶级期刊发布最新突破性临床试验时，可在数小时内完成编译并立刻作用于下游查询。

局限与展望¶

当前领域覆盖主要集中在心血管与代谢领域：DoAtlas-1 首期仅收录了 754 篇研究、1,445 个效应核，在肿瘤学、免疫学与神经科学等领域的知识图谱尚待扩充。
外部验证依赖深表型多组学队列的可映射性：对于部分仅在罕见病或特殊手术场景中定义的专有结局，在健康或常规体检队列（如 HPP）中缺乏直接代理变量，当前只能触发非可执行标志。
未来方向：计划将该编译管线与通用医学视觉语言大模型结合，构建上层负责自然语言意图理解、下层负责严格因果编译计算的双层协同架构，并推广至多中心跨区域真实世界数据库中进行多中心交叉检验。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次提出医学文献因果编译范式，建立完整的中间表示、规范化理论与可执行查询体系。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖 754 篇文献 1,445 个效应核，并依托万人前瞻性深表型多组学 HPP 真实世界数据完成闭环评测与消融。
写作质量: ⭐⭐⭐⭐⭐ 形式化定义严密，数学符号规范，定理证明与系统工程架构完备自洽。
价值: ⭐⭐⭐⭐⭐ 为临床 AI 摆脱不可靠文本生成、迈向严谨负责任的高安全性决策支持树立了标杆路径。

查询算子	总查询数	成功执行数	执行率 (%)	结果评估
\(Q_{\mathrm{do}}\) (干预效应)	250	200	80.0%	正确执行，明确返回点估计与 CI
\(Q_{\mathrm{cf}}\) (反事实推理)	250	200	80.0%	精确匹配个体反事实上下文
\(Q_{\mathrm{traj}}\) (动态轨迹)	45	36	80.0%	跨连续离散时间窗有效追踪
\(Q_{\mathrm{CATE}}\) (亚群异质性)	200	163	81.5%	准确解析亚群条件约束
\(Q_{\mathrm{med}}\) (中介机制分解)	36	29	80.6%	成功分解直接与间接效应路径
\(Q_{\mathrm{joint}}\) (联合干预)	134	107	79.9%	正确建模双重处理交互项
整体汇总	915	735	80.5%	诊断标志清晰拦截未覆盖边界