在这篇论文中，作者们探讨了如何结合大语言模型（LLMs）与专家系统的优势来提升癌症患者的临床决策支持能力。他们提出了一种新的架构——大语言专家（Large Language Expert，LLE），旨在解决传统临床决策支持工具面临的复杂性和实施挑战。
核心方法论详细分析
架构设计
：
LLE架构的核心在于其双重性，结合了大语言模型的灵活性和专家系统的解释性与可靠性。这种混合方法使得系统能在处理非结构化健康记录时，仍保持一种严谨的逻辑模型驱动的决策方式。LLE使用由自然语言和结构化逻辑组成的知识库，确保决策过程的透明度和可验证性。
知识库开发
：
LLE的知识库是通过将临床指南转化为优化的声明式格式实现的。这一转化过程保持了人类可读性，以便领域专家可以审查和调整。然而，提取的正式逻辑结构使得自动化逻辑检查成为可能，从而可以识别矛盾和空缺。
逻辑转换
：
在LLE中，复杂且相互依赖的专家规则被转换为可执行代码。研究者们利用OpenAI的o1模型，能够准确解析自然语言中嵌入的逻辑，将其转化为一阶逻辑。这一过程不仅提高了逻辑推理的准确性，也确保了专家能够轻松识别和解决错误。
更新与版本管理
：
当临床指南更新时，相应的知识库也可以迅速更新，确保系统始终反映最新的医疗标准。这种方法减少了更新的复杂性和时间，专业人员只需修改受影响的规则，并将其快照存档成版本化的工件。
人工干预
：
LLE架构允许专家在关键决策点进行干预，从而使医生能够及时纠正系统输出的错误，防止错误在系统中不断累积。这一特点增强了整个系统的可靠性。
真实案例应用
：
作者们将LLE应用于癌症患者的前期诊断工作，以识别治疗前的工作缺口。研究表明，通过使用LLE，系统在识别和建议正确的诊断工作方面能达到超过95%的临床级准确率，显著提高了初级保健医生在癌症诊断工作上的效率。
