多模态证据贝叶斯主动询问可审计推理
原文：Auditable Hierarchical Inference with Multimodal Evidence and Bayesian Active Inquiry
大多数多模态分类器假设所有有用证据都预先可用，而临床询问是序贯性的。我们提出一个合成评估框架，将客观多模态推理与主动询问分离。一个客观模型将合成的舌象、双侧多压力脉搏和声学观测映射到八个证候家族。一个带有溯源信息的知识核心和仅用于训练的答案模型支持使用25个类型化问题对33个细粒度术语进行贝叶斯收窄，同时七个安全问题保持在诊断后验之外。弱共享症状因子限制了细粒度术语对客观表型的影响，一个仅客观探针用于测试泄漏。在一项预注册的600例合成评估中，客观家族准确率为87.0%。成本敏感期望信息增益（cost-EIG）将家族准确率提升至95.5%，精确细粒度术语准确率提升至42.5%，而未优化的固定顺序基线分别为92.7%和33.0%。选择性家族准确率在95.3%覆盖率下达到96.9%。然而，cost-EIG平均比固定顺序提出更多问题（9.795对9.352）。缺失音频路由保持了94.0%的家族准确率，且当所有客观模态缺失时，工作流不变量强制执行弃权。置换细粒度术语答案似然将家族准确率降至78.7%。六项冻结检查中五项通过，但问题效率假设未通过。比较是描述性的，因为仅保留了聚合输出而非配对病例级输出。这些结果建立了一个可复现的合成工作流，而非临床诊断或治疗有效性。作者：Yucheng Liu, Everett X. Wang 类别：cs.LG