目录
第一章：为什么通用大模型做不好医疗问诊？
第二章：症状推理 —— 从口语到结构化知识
2.1 医学实体的复杂性
2.2 基于大模型的症状抽取（代码实现）
2.3 症状归一化与本体对齐
第三章：鉴别诊断 —— 贝叶斯思维与神经符号系统
3.1 诊断推理的本质
3.2 基于HGNN的鉴别诊断模型
3.3 不确定性量化
第四章：问诊策略 —— 从信息论到临床安全
4.1 最优问题选择：信息增益 vs 风险效益
4.2 代码：一个基于LLM+决策树的混合策略
4.3 主动倾听与自适应追问
第五章：安全护栏与伦理设计
5.1 拒绝回答的边界
5.2 消除偏见与公平性
这是门诊室里最常听到的一句话。面对这个模糊的主诉，人类医生会下意识地追问：什么时候开始的？哪个部位痛？是搏动性的还是压迫性的？有没有伴随恶心、畏光？——这一连串问题背后，是一个经验丰富的临床专家在快速构建鉴别诊断树。
而今天，当我们试图让一个语言模型扮演同样的角色，事情就没那么简单了。医疗对话系统不仅要理解自然语言中的模糊描述（“隐隐作痛”vs“像针扎一样”），还要主动规划问诊路径——该先问什么、后问什么、什么时候该怀疑危重病、什么时候可以放心地给出建议。
这篇文章，我们就来深入拆解医疗对话系统中的两个核心模块：症状推理和问诊策略。我会给出可运行的代码示例、最新的技术方案（结合2024-2025年的论文进展），并且——我保证，这不是一篇AI生成的流水账。
