利用大型语言模型进行临床阿尔茨海默病评估与诊断的思维链推理

阿尔茨海默病（AD）已成为全球普遍的神经退行性疾病。传统的诊断方法仍严重依赖医学影像和医生的临床评估，这在人力专业知识和医疗资源方面往往耗时且耗费资源。近年来，大型语言模型（LLMs）越来越多地应用于医疗领域，使用电子健康记录（EHRs），但其在阿尔茨海默病评估中的应用仍有限，特别是由于AD涉及复杂的多因素病因，难以通过影像学手段直接观察。本文提出利用LLMs对患者的临床EHR进行思维链（CoT）推理。与直接在EHR数据上微调LLMs进行AD分类不同，我们的方法利用LLM生成的CoT推理路径，为模型提供明确的诊断依据，随后进行基于结构化CoT的预测。该流程不仅增强了模型对内在复杂因素的诊断能力，还提高了预测过程在AD不同阶段的可解释性。实验结果表明，所提出的基于CoT的诊断框架显著提升了多个CDR分级任务的稳定性和诊断性能，在F1分数上相比零样本基线方法提高了多达15%。