A Proof-of-Concept for Explainable Disease Diagnosis Using Large Language Models and Answer Set Programming

📄 arXiv: 2512.23932v1 📥 PDF

作者: Ioanna Gemou, Evangelos Lamprou

分类: cs.AI

发布日期: 2025-12-30

💡 一句话要点

McCoy：结合LLM与ASP，实现可解释的疾病诊断概念验证

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 疾病诊断 大型语言模型 答案集编程 知识表示 可解释AI

📋 核心要点

  1. 构建高质量医学知识库耗时费力，限制了符号AI在医疗领域的应用。
  2. McCoy框架结合LLM和ASP，利用LLM将医学知识转化为ASP代码，实现自动知识获取。
  3. 初步实验表明，McCoy在小规模疾病诊断任务中表现出良好的性能。

📝 摘要（中文）

准确的疾病预测对于及时干预、有效治疗和减少医疗并发症至关重要。虽然符号AI已应用于医疗保健领域，但由于构建高质量知识库所需的工作量，其应用仍然有限。本文介绍了一种名为McCoy的框架，该框架结合了大型语言模型（LLM）和答案集编程（ASP）来克服这一障碍。McCoy协调LLM将医学文献翻译成ASP代码，将其与患者数据结合，并使用ASP求解器对其进行处理，以得出最终诊断。这种集成产生了一个强大、可解释的预测框架，该框架利用了这两种范例的优势。初步结果表明，McCoy在小规模疾病诊断任务中表现出色。

🔬 方法详解

问题定义：论文旨在解决疾病诊断中知识获取困难的问题。现有方法依赖于人工构建的知识库，这需要大量的专家知识和时间投入，难以快速适应新的医学发现和变化。因此，如何自动地从医学文献中提取知识并用于疾病诊断是一个重要的挑战。

核心思路：论文的核心思路是利用大型语言模型（LLM）的自然语言理解和生成能力，将医学文献自动翻译成答案集编程（ASP）代码。ASP是一种声明式编程范式，适合于表示知识和进行推理。通过将医学知识转化为ASP代码，可以利用ASP求解器进行疾病诊断。

技术框架：McCoy框架包含以下主要模块：1) LLM知识提取模块：负责将医学文献转化为ASP代码。2) 数据集成模块：将ASP代码与患者数据结合。3) ASP求解器：使用ASP求解器对结合后的知识和数据进行推理，得到诊断结果。整体流程是：首先，LLM读取医学文献，生成ASP代码；然后，将ASP代码与患者数据整合；最后，使用ASP求解器进行推理，得到诊断结果。

关键创新：该论文的关键创新在于将LLM和ASP结合起来，实现自动化的医学知识获取和疾病诊断。与传统的基于规则的系统相比，该方法不需要人工构建知识库，可以自动地从医学文献中学习知识。与传统的机器学习方法相比，该方法具有更好的可解释性，因为ASP代码可以清晰地表示诊断的推理过程。

关键设计：论文中LLM的具体选择、prompt的设计，以及ASP代码的生成规则是关键设计。此外，如何有效地将患者数据与ASP代码结合，以及如何优化ASP求解器的性能也是重要的技术细节。论文中并未详细说明这些关键参数和设计，属于未知信息。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

初步实验结果表明，McCoy框架在小规模疾病诊断任务中表现出良好的性能。虽然论文没有提供具体的性能数据和对比基线，但该概念验证表明，将LLM和ASP结合起来进行疾病诊断是可行的，并具有很大的潜力。

🎯 应用场景

该研究成果可应用于辅助医生进行疾病诊断，尤其是在缺乏医学专家的情况下。通过自动从医学文献中提取知识，可以快速构建疾病诊断系统，提高诊断效率和准确性。未来，该方法可以扩展到其他医疗领域，例如药物研发和个性化治疗。

📄 摘要（原文）

Accurate disease prediction is vital for timely intervention, effective treatment, and reducing medical complications. While symbolic AI has been applied in healthcare, its adoption remains limited due to the effort required for constructing high-quality knowledge bases. This work introduces McCoy, a framework that combines Large Language Models (LLMs) with Answer Set Programming (ASP) to overcome this barrier. McCoy orchestrates an LLM to translate medical literature into ASP code, combines it with patient data, and processes it using an ASP solver to arrive at the final diagnosis. This integration yields a robust, interpretable prediction framework that leverages the strengths of both paradigms. Preliminary results show McCoy has strong performance on small-scale disease diagnosis tasks.