CohortFlow：支持局部语义修正的可控临床队列筛选智能体
事件
临床队列筛选常常需要根据研究者不断调整的入排标准反复修改。传统做法是每次改动都重新跑一遍完整流程，未变的要求也被重复处理。研究者提出 CohortFlow，一个可被自然语言指令操控的临床队列筛选智能体：它把用户的修改意见解析成对结构化队列规范的局部更新，再将这些更新映射到一张持续存在的执行图上，使修改只作用于真正相关的计算环节。
实现上的关键在于显式记录语义依赖关系。系统据此判断哪些计算节点受影响、哪些仍有效，从而只让受影响的部分失效并重新计算，保留此前有效的结果。在 100 个由临床试验入排标准构造的场景、共 126 轮修正中，局部修正的要求级微 F1 为 77.0%，与同一 8B 模型完全重新生成的 76.4% 基本持平，差异在统计上不显著（p=0.493）；但完成后修正的平均延迟下降 64.8%，执行过程中下降 44.3%，模型调用次数减少 38.1%。在 MIMIC 数据的概念验证中，13 个队列状态全部执行成功，修正轨迹也显示出未受影响的计算被保留、变更或依赖节点被重算。
这说明对临床队列这类标准频繁微调的任务，与其每次推倒重来，不如做精细的局部语义修正。它的价值在于把大模型的调用成本与等待时间压下来，同时维持要求级准确率，为需要反复与临床研究者对齐筛选口径的场景提供了更实用的工程路径。
来源
本条目由采集管线自动抓取并发布，完整内容见下方来源链接。
*采集源：arXiv cs.AI*