基于大语言模型的循证智能诊断与治疗可视化系统：多轮交互与多模态治疗方案生成

# 基于大语言模型的循证智能诊疗可视化系统：多轮交互与多模态治疗方案生成
来源：https://arxiv.org/html/2606.06869

\\credit

概念化，方法，软件，可视化，撰写 – 原稿

\\credit

软件，验证，可视化，撰写 – 原稿

\\credit

方法，数据整理，形式化分析，撰写 – 审阅与编辑

\\credit

资源，验证，调查，撰写 – 审阅与编辑

\\credit

资源，调查，验证，撰写 – 审阅与编辑

\\credit

资源，项目管理，撰写 – 审阅与编辑

\\credit

督导，方法，项目管理，撰写 – 审阅与编辑

\\cormark

\[1\]\\credit概念化，资金获取，方法，督导，项目管理，撰写 – 审阅与编辑

1\] organization=哈尔滨工业大学（威海）, city=威海, state=山东, country=中国

2\] organization=哈尔滨工业大学（威海）青岛研究院, city=青岛, state=山东, country=中国

3\] organization=山东省数字服务计算技术及系统重点实验室, country=中国

4\] organization=威海市立医院, city=威海, state=山东, country=中国

5\] organization=上海泰柱科技有限公司, city=上海, country=中国

6\] organization=天津知福岐黄医疗科技有限公司, city=天津, country=中国

\\cortext

\[cor1\]通讯作者。

王宇达 涂志英 宋明强 李松 李坤 初殿辉 张博林
[email protected]

---

###### 摘要

目的：现有人工智能辅助中医诊断工具存在推理过程不透明、交互被动、治疗方案呈现形式单一等问题。本研究提出一种知识增强的可视化诊断系统，旨在提高辨证论治的透明度和可解释性。

方法：该系统基于一个包含241种证型、1263种症状和2485条关系的Neo4j知识图谱构建。系统集成了四阶段症状匹配流水线（精确匹配→语义匹配→模糊匹配→大语言模型验证）、基于信息增益并采用遗传算法优化的主动提问策略，以及融合人工智能生成插图、三维经络穴位模型和循证文献的多模态治疗方案呈现。

结果：知识图谱约束使非标准输出减少了32%。案例研究验证了交互工作流在患者自评、临床辅助诊断和中医教育中的有效性。对30个病例进行的自动成对比较评估进一步表明，诊断信任度显著提升（Cohen's d = 1.82, p < 0.001），认知负荷降低（五个维度中四个维度有所改善），循证参考的可信度更高（4.21对比2.95）。

结论：所提出的系统通过知识图谱驱动的可视化和多模态交互，增强了中医诊断推理的透明度和治疗方案的可解释性，为可信赖的人工智能辅助中医应用提供了实用解决方案。

###### 关键词：

临床决策支持系统 \sep 知识图谱 \sep 中医 \sep 大语言模型 \sep 医学可视化

{要点}

- 知识图谱引导的可视化使中医辨证推理过程可追溯。
- 多轮提问交互式地缩小候选证型范围。
- 多模态方案降低了中医治疗方案呈现的认知负荷。
- 结构化参考文献提高了感知到的证据可信度。

## 1 引言

中医诊断需要综合望、闻、问、切四诊，将症状组合映射为标准证型\[[1](https://arxiv.org/html/2606.06869#bib.bib1)\]。尽管基于人工智能的诊断辅助在医疗领域已取得快速发展\[2,3,4\]，但现有中医AI工具面临三个关键问题：诊断推理过程不透明，犹如“黑箱”\[5,6\]；交互方式主要为被动式，缺乏多轮探询能力\[7,8\]；治疗方案由于单一文本呈现导致信息过载\[9,10\]。这些缺陷涵盖知识表示层面（大语言模型的参数化知识在医学领域易产生幻觉\[11,12,13\]）、交互设计层面（单轮问答模式缺乏渐进式症状澄清\[14,15,16,17\]）以及信息呈现层面（诊断推理缺乏可视化，治疗方案仅依赖文字\[18,19\]）。目前尚无系统能同时集成知识图谱可视化、多轮交互诊断和多模态治疗方案呈现。

为弥补上述空白，本文研究以下三个研究问题：

- • RQ1：交互式多轮提问如何提高候选证型收敛效率和辨证准确性？即，基于信息增益的主动提问策略能否有效引导用户提供关键鉴别症状，同时逐步缩小候选证型空间？
- • RQ2：知识图谱可视化如何增强中医诊断推理的透明度？具体而言，渐进式子图展示能否帮助用户理解从症状到证型的推理路径，从而增强对系统诊断结论的信任？
- • RQ3：多模态呈现如何提高患者对治疗方案的理解？人工智能生成的治疗插图、三维穴位模型和结构化参考文献能否显著降低治疗信息的理解门槛？

为回答上述问题，我们设计了一个知识增强的中医可视化诊断系统（图1），该系统围绕一个包含241种证型、1263种症状和2485条关系的Neo4j知识图谱构建。它结合了四层渐进式症状匹配和基于信息增益的提问策略，实现了从症状输入、诊断到治疗规划的端到端可视化交互。主要贡献如下：

1. 1.循证诊断可视化 (C1)：一种渐进式知识图谱可视化方法，每轮交互后动态更新症状-证型子图，使中医辨证推理过程透明可验证，让用户能够追踪诊断结论的形成过程。
2. 2.多轮交互诊断框架 (C2)：一个交互式框架，结合四层症状匹配（精确匹配、向量语义匹配、模糊匹配、LLM验证）和信息增益驱动的提问，在知识图谱定义的证型空间内逐步引导症状澄清。
3. 3.多模态治疗方案呈现 (C3)：一个整合AI生成的治疗插图、三维穴位模型和结构化循证参考文献的框架，将纯文本建议转化为直观的多模态格式。

该系统面向三类用户群体：通过引导式可视化交互进行初步自我评估的患者；将系统作为“第二意见”工具、并享有完整推理路径透明度的临床医生；以及通过交互式诊断案例回放学习辨证的中医学生。

有关相关工作（包括与代表性系统的比较）的全面综述，请参见补充信息 S1 节。

## 2 方法

### 2.1 设计挑战

在设计系统之前，我们通过三个渠道识别了AI辅助中医诊断系统面临的核心设计挑战：(1) 对现有AI辅助诊断系统和医学可视化文献的系统性回顾；(2) 与两位中医从业者的非正式讨论；(3) 对当前AI聊天工具在临床场景中局限性的分析。这些源于文献和实践者反馈的挑战，指导了以下的系统设计决策。

##### DC1：先验依赖与幻觉风险

AI辅助诊断面临两个相互交织的“黑箱”风险：用户无法追溯的不透明推理路径\[5,6\]，以及LLM虚构推理或关联的幻觉\[12,13\]。我们通过将交互过程锚定在一个渐进更新、针对案例的知识图谱子图上来解决这两个问题：该子图一方面提供结构化可视化以实现可解释性\[18,20\]，另一方面将生成过程限制在已验证的症状-证型关系内\[21,22\]。这种约束效果取决于知识图谱的覆盖范围、标签对齐程度以及提示策略。

##### DC2：模糊表达与证型空间

口语化、不精确的症状描述可能与知识图谱实体不匹配\[23\]，而早期匹配错误可能级联导致诊断偏移。同时，有效的医疗咨询需要在用户信息不完整时进行多轮主动澄清\[14,15,16,17\]，然而许多现有系统缺乏此能力。因此，我们将鲁棒、渐进式症状匹配与基于信息增益驱动的多轮追问相结合\[7,8,24\]，利用用户的确认/否认作为隐式反馈，迭代地缩小知识图谱定义的候选证型空间。

\
图2：三层系统架构。前端展示层采用左右分屏布局，左侧为对话交互区域，右侧为知识可视化区域；后端逻辑层集成症状提取、多层匹配、大语言模型交互等核心模块；数据层以图数据库为中心，支持知识图谱的存储与查询。
##### DC3：认知门槛与素养差异

纯文本的治疗建议可能使非专业用户感到困惑，尤其是面对方剂组成和穴位定位等陌生概念时\[9,10\]。这一问题因用户群体异质性（患者、医生、学生）带来的素养和证据需求差异而加剧\[2,4\]。为此，我们采用多模态呈现框架，将文本与AI生成的插图、交互式3D穴位可视化\[19,25\]以及结构化参考文献相结合，使用户能够按需获取适当深度的信息。

### 2.2 系统设计

我们描述三层架构和四个功能模块 (M1–M4)，并总结贯穿工作流的诊断-治疗双链可视化。

系统概览

该系统采用三层架构（图2）和分屏界面（图3）。前端支持对话式咨询和交互式可视化；后端协调症状提取、基于知识图谱的追问和LLM交互；数据层存储知识图谱和参考文献，支持高效检索。标准化API支持各层的模块化迭代。

模块1：知识图谱构建

用户在对话面板（图4）中描述症状。系统提取候选症状实体，高亮匹配结果，并要求用户确认或否认，从而提供隐式反馈以细化症状对齐\[7,26\]。同时，系统根据已确认症状到候选证型的关联，渲染初始的案例特定知识图谱子图，使起始假设空间可视化\[18\]。

\
图3：系统界面概览。界面集成了七个核心功能区：(A) 自然语言对话交互区，用户以文本形式描述症状，并与系统进行多轮咨询；(B) 思维链推理展示区，实时显示系统的逐步诊断推理过程；(C) 主动交互确认区，系统生成症状确认和追问提示；(D) 知识图谱浏览区，展示案例特定的症状-证型关联子图；(E) 功能导航菜单，提供诊断历史、设置及其他辅助功能入口；(F) 多模态治疗方案区，整合文本建议、AI生成插图和参考文献；(G) 三维经络穴位模型，一个交互式铜人模型，用于精确定位推荐穴位。\
图4：四个模块交互工作流概览。该流程图展示了从症状收集、渐进式追问、辨证诊断到治疗方案呈现的完整工作流程。上半部分显示了每个模块的核心交互逻辑和数据流。