📄 先看客观证据再提问：可审计的分层合成问诊流程
英文题目：Auditable Hierarchical Inference with Multimodal Evidence and Bayesian Active Inquiry
评分：5.5/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.3/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5
👥 作者与机构
- Yucheng Liu：机构信息未能在本次解析中与作者逐人可靠绑定
- Everett X. Wang：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
读者需要理解的对象是一个只能看到客观检查结果的系统，它要先给出不确定的粗粒度判断，再决定依次追问哪些结构化问题。困难在于问题有代价和缺失，引导提问的知识本身可能出错，而粗判断正确不等于细判断正确。论文用合成舌象、双手多部位多压力多传感器脉冲张量与受控声学任务观测作为输入，用八个综合征家族与三十三个细综合征词作为两级输出。客观推断模块先把可用模态编码为八家族分布并给出共享症状因子预测，该分布与因子兼容度构成细词的初始信念。提问层用只在训练例上估计的答案似然做贝叶斯更新，并以负担惩罚的期望信息增益选择下一题，七道警示题只触发记录动作而不改变后验。相对已有主动特征获取与多轮问诊工作，差异在于把先验、答案模型、知识来源、安全防火墙和停止规则的权责分开冻结与测试。在600例一次性合成冻结确认中，代价敏感期望信息增益的家族准确率为95.5%与精确细term准确率为42.5%，分别高于同一确认中受试固定顺序实现的92.7%与33.0%，而同一确认中平均提问数以9.795高于固定顺序的9.352。结论适用范围限于该合成生成器与一次确认，细term似然行置换是最重的测试压力，原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
临床追问和一次性分类有什么不同
这篇论文处理的是顺序收集证据的问题。输入是客观观测，包括合成舌图像、双手多部位多压力脉张量和受控声学任务录音，输出是 8 个证候族上的分布和 33 个细证候项上的分布。必须保留的是不确定性和来源边界：客观证据先形成可审计的先验，问题回答只能按类型化概率更新细项，安全类问题不能改诊断后验，证据全缺时必须在追问前弃答。
对刚入门的读者，关键是把被动分类和主动获取分开。被动部分回答有了这些客观信号，最可能属于哪个大类；主动部分回答下一个结构化问题问什么最有用，什么时候停止。论文明确语言生成不在本次实验内，确认阶段用结构化答案代替自由对话，这样模型、策略、回答模型和知识的失败可以分别定位。
本文相对已有路线的位置
主动特征获取研究如何在推理时花代价购买未观测特征，权衡预测价值和获取负担，有用生成式替代估计未观测特征价值的做法，也有非贪心获取的研究。论文声明没有发明期望信息增益或主动特征获取，贡献是把多模态族先验、训练估计的回答模型、带来源的知识资源、安全防火墙和停止弃答规则做成权限可分、可单独检验的层级组合。
在中医辨证方向，已有工作建咨询知识库并用诊断准确率、问题质量和问题数评价多轮问诊。本文的区别是客观多模态推断与类型化贝叶斯更新分离，策略拿不到仿真器私有的回答概率，并在声明的模块边界注入失败。脉张量动机来自可穿戴压力阵列对寸关尺和时空脉图的测量思想，但本文只是借用部位、横向范围、压力和时间应显式保留的工程前提，没有复现硬件也不继承临床有效性。模态丢弃训练、校准和选择性预测也都有 prior 文献，本文只是组合了丢弃训练、可用性路由和弃答约定，没有声称新的校准算法。
要解的分层问题与合成因果链
记细证候项为 T，取 33 个值，族为 S=g(T)，取 8 个值。另有 32 个共享原子症状因子 Z、9 因子患者表型 U 和客观观测 X。合成病例按细项决定族，同时细项经由症状因子和表型再生成客观观测，细项只通过弱共享症状因子影响客观表型，避免把细项标识直接装进图像或波形。族内细项用轮转规则均衡，另有族条件下的客观泄漏探针：若仅用客观信号直接恢复细项超过族内机会水平 0.10 以上，则拒绝该生成器。
\[T\rightarrow S,\qquad T\rightarrow Z\rightarrow U\rightarrow X.\]这个链条决定了分工。客观推断模块在推理时只见 X，训练时只见族标签 S 和低权重的共享因子 Z，看不到 T、知识文本、问题答案和疾病标签。追问模块只见客观族分布和类型化问答，看不到原始对话。系统终点是族和细项分辨，疾病字段为空，不定义治疗动作。
证候族 × 细证候项： 证候族是 8 类的粗层目标，由客观模态直接预测；细证候项是 33 类的细层目标，只能通过问答细化。粗层提供可审计的先验，细层承担分辨任务，二者通过固定的族归属函数连接，评价时必须同时报告族准确率和细项准确率，否则会掩盖族对而细项错的情况。
系统整体流程与五种权限
一个病例先走客观通道。舌、脉、声编码后输出 8 类族 logits，经可用性路由选择与缺失状态匹配的冻结专家；若 3 个客观模态全缺，工作流在追问前弃答，不允许用问题制造客观先验。若有客观证据，则由被动族分布和预测的共享因子形成初始细项信念，再进入最多 12 轮结构化追问。
追问使用 25 个可用于贝叶斯细化的症状轴问题，另有 7 个预警问题组成独立安全筛查。安全答案可触发记录动作，但禁止改变细项后验或锁定证候结果。架构区分客观表示、概率推断、问题选择、安全处理和面向人的语言 5 种权限，本次只定量评价前 3 种，未来的语言模型只能实现已选问题并映射回答，不能创造标签、改写后验、改停止规则或推荐治疗。
客观三通道里脉张量是什么
完整模型用 3 通道：合成舌图像、标准化脉张量和任务受控声学观测。脉记录的形状在原文中显式给出，覆盖双手、寸关尺部位、浮中沉压力、横向传感器和时间采样，还附带采集压力、质量、伪影掩膜和 16 个连续属性，描述深浅响应、速率、不齐、力度、横向支撑、空间范围、光滑、紧张、压力持续、稳定、空虚、边缘硬度、上升、衰减和间歇行为。28 种脉质是这些连续属性的重叠语义投影，不是互斥模板，例如浮与沉用跨压力响应区分，细与大用横向支撑区分，虚与实用绝对力度和持续区分。
\[X^{\mathrm{pulse}}\in\mathbb{R}^{2\times 3\times 3\times 7\times 512},\]声学接口产生标准单声道波形文件和哈希清单，覆盖固定短语、持续元音、咳嗽和静息呼吸任务，控制发声、强度、时序、共振、呼吸、咳嗽力度干湿、哮鸣和湿啰音，把增益、带宽、距离、房间噪声和混响当显式干扰。音频包含在最终完整模型中，但只是合成实验的工程通道，不作为临床听诊有效的证据。
下面这张图是合成渲染器的工程可视化，不是临床验证。读图时先按图例区分三层压力曲线，再看不同脉原型在哪一层出现高峰、节律是否均匀、有无间歇缺失，纵轴是固定公共刻度以保留力度差异。
看图路径： 1. 先看顶部图例中浅、中、深三种按压的曲线对应关系；2. 再对比浮类与沉类在哪一层压力上峰值更高；3. 观察迟、数、促、结等时间节律差异，不要把纵轴直接当临床强度
论文图 1。原论文 Figure 1:：“Engineering visualization of the 28 operational pulse prototypes at superficial, middle, and deep pressure.”。
从像素可见，图按 7 行 4 列排 28 个小面板，每板标题为 pulse 编号加汉字，横轴为 0 到 8 秒，纵轴为原始压力响应。三色曲线分别对应浅、中、深压力。浮类在浅层出现高尖峰而深层接近噪声，沉伏类反之在深层出现高峰；迟类峰间距大而稀疏，数类峰密集均匀，促结代类出现成串后停歇的节律缺口；微弱类整体幅度小且毛刺多，洪大实类幅度高且三层同步。这些差异说明渲染器把压力响应、幅度和时序做成了可对照的变化，但不能读成 28 种脉质的临床定义。
知识核心与问题契约管什么
知识核心用来源注册、术语记录、症状链接、脉记录、候选子集和问题契约哈希标识，跨所有条件固定。本次冻结实验只用 33 个细项的有界合成子集，而不是把提取到的 2060 个术语当平坦类别，该子集内部固定可复现，但未经外部中医专家验证。
每个问题声明标识符、一个原子症状轴、答案模式、成本、敏感性、来源和状态，不含细项适用标志和生成器私有概率。32 个轴中有 25 个可用于贝叶斯细化，7 个预警问题独立做安全筛查。这种契约的目的是让问题选择、回答更新和安全处理走不同接口，知识错了可以追到具体映射行。
客观推断模型 × 知识核心： 客观推断模型只看舌、脉、声客观观测，给出族分布和共享症状因子预测；知识核心固定术语、族成员、症状关联和问题语义并携带来源，但被当作可错部件。两者分工是表示与知识分离，追问时先验来自前者，问题含义来自后者，知识错了可以被定位而不是污染表示。
先验如何形成与回答如何更新后验
记追问历史为已问问题与答案的集合。初始细项信念由被动族分布乘以给定族和预测共享因子的细项兼容项再归一化得到，兼容项体现被动证据对首问的个性化影响，开发集上它改变了 8.5% 病例的首选问题，说明有适度个性化而非完全决定轨迹。
\[p_{0}(T\mid X)=\frac{p_{0}(g(T)\mid X)\,p_{\phi}(T\mid g(T),\widehat{Z}(X))}{\sum_{T^{\prime}}p_{0}(g(T^{\prime})\mid X)\,p_{\phi}(T^{\prime}\mid g(T^{\prime}),\widehat{Z}(X))}.\]对问题 q 的类型化答案 a，更新是当前信念乘以训练估计的回答似然再归一化，似然只用训练例并做拉普拉斯平滑，缺失答案则后验不变，仿真器私有概率从不暴露给选择策略。
\[p_{t+1}(T)\propto p_{t}(T)\,\widehat{p}_{\mathrm{train}}(a\mid T,q),\]举例说，一个病例客观先验可能把两个同族细项都赋予较高概率，第一个问题针对区分二者的症状轴，若答案支持其中之一，对应似然高则其后验上升；若该轮答案缺失，则直接跳过更新进入下一轮选择。
回答似然 × 后验更新： 回答似然是在训练例上估计的给定细项和问题时答案的概率，只用训练数据并做平滑；后验更新是把当前细项信念乘以该似然再归一化。搭配的意义是策略看不到仿真器的私有概率，只能用这个可审计的训练估计来更新，缺答案则保持不变。
期望信息增益与成本敏感选择
期望信息增益定义为当前细项熵减去在训练估计的答案分布下期望的问后熵，衡量问某个问题期望能减少多少不确定性。建议策略在未问过的问题中选最大化信息增益减负担成本再减重复不适当惩罚的问题，预算 12 问，开发阶段固定置信阈值 0.65 和弃答阈值 0.60。
\[\operatorname{EIG}(q\mid H_{t})=H[p_{t}(T)]-\mathbb{E}_{a\sim\widehat{p}_{\mathrm{train}}(a\mid q,H_{t})}H[p(T\mid H_{t},q,a)].\]需要强调原文的成本含义。成本敏感只命名选择目标中的惩罚项，冻结报告没有保留实现累计成本，求和式中的总成本未被记录。因此观察到的只能是提问个数：成本敏感比无惩罚期望信息增益问得少，但比 tested 固定顺序问得多，不能读成证明了总负担最优。
期望信息增益 × 成本敏感期望信息增益： 期望信息增益是追问前细项熵减去期望的追问后熵，衡量问题的信息价值；成本敏感期望信息增益再减去负担成本和重复不适当惩罚。两者共用同一熵计算和同一停止预算，区别是后者把负担写进选择分数，但原文未保留实现的总成本，所以只能按提问个数比较负担。
模型如何训练、扰动与冻结
本研究有神经网络训练，但训练边界很窄。客观推断模型编码可用客观模态并输出 8 类族 logits，用开发集负对数似然做模型选择，选定的完整模型用注册脉扰动和模态丢弃训练。校准、停止、弃答、冲突阈值和推断路由在接触确认集之前冻结。辅助的 28 脉质分类加连续属性回归只做表示审计，最终客观模型用随机脉编码器初始化，因此不支持迁移学习或全脉张量优于降维投影的主张，支持的只是发现早期族模板捷径、修复生成器重叠控制并重新评价的流程。
回答似然只在训练例上估计，知识核心、问题契约、策略、阈值、端点和断言门在确认访问前全部冻结，确认后不允许重跑或调参。推理时可用性路由在冻结的完整、舌脉、单脉、单音频、单舌专家中选择，不对不兼容缺失状态的专家做 logit 平均。
数据划分、对照策略与指标方向
数据为 2400 例训练、600 例开发和 600 例确认合成病例，确认集在所有部件冻结后访问一次。主端点是客观 8 族首位准确率，追问报告族与细项首位准确率、细项前三召回、负对数似然、Brier 分数、期望校准误差、平均提问数、覆盖率和选择性准确率。负对数似然、Brier 和校准误差越低越好，准确率、召回和覆盖越高越好，提问数是负担代理越低负担越小。
策略比较固定先验、回答模型、问题集、停止规则和预算，只变选择：固定顺序、随机顺序、候选对比、贪心期望信息增益和成本敏感期望信息增益。公平性有一个重要限制：所有策略共用置信和低信息停止规则，tested 固定顺序是未优化的预定序号，若下一个固定问题低于信息阈值就停止，不会扫描后面更优的固定问题，所以它既不是常规固定长度问卷，也不是开发优化的静态顺序，有效比较对象只是这个 tested 实现，不是所有精心设计的静态问卷。
等预算曲线和训练优化静态顺序未评测。所有数值比较是描述性的，因为一次性产物只保留聚合指标，没有成对病例级预测和完整轨迹，无法重建配对自助区间或 McNemar 检验，0.7 个百分点的族差异只对应 4 例，不能解读为策略可靠优越。
一次性确认的主结果与代价
客观模型在确认集达到 87.0% 族准确率，族前三召回 99.7%，负对数似然 0.320，Brier 分数 0.181，期望校准误差 0.022。追问后成本敏感策略达到 95.5% 族准确率和 42.5% 细项准确率，相比 tested 固定顺序的 92.7% 和 33.0%，族提升 2.8 个百分点，细项提升 9.5 个百分点。成本敏感与无惩罚期望信息增益在细项首位准确率上打平为 42.5%，但前者平均提问从 10.457 降到 9.795。
下表是一次性 600 例确认的全部冻结策略比较。表前说明比较问题：在相同先验、回答模型、问题集和停止预算下只变选择，指标方向为准确率越高越好、似然误差越低越好、提问数越少负担越小。选择性族准确率在未弃答例上计算，各策略覆盖率按表序为 94.8%、95.0%、97.7%、95.8% 和 95.3%，数值为描述性点估计，加粗只标最好值不代表显著性。
| Policy | Family | Fine | Fine top-3 | Fine NLL | Questions | Sel. family |
|---|---|---|---|---|---|---|
| acc. (%) | acc. (%) | (%) | mean | acc. (%) | ||
| Fixed order | 92.7 | 33.0 | 78.2 | 1.562 | 9.352 | 95.6 |
| Random order | 92.0 | 31.5 | 77.2 | 1.598 | 10.058 | 93.9 |
| Candidate contrast | 93.7 | 42.0 | 84.2 | 1.444 | 10.643 | 94.7 |
| Greedy EIG | 94.8 | 42.5 | 86.8 | 1.398 | 10.457 | 96.9 |
| Cost-EIG | 95.5 | 42.5 | 85.8 | 1.388 | 9.795 | 96.9 |
表后解释主要收益与代价。收益是细化质量：成本敏感相对固定顺序的细项前三召回从 78.2% 到 85.8%，细项负对数似然从 1.562 降到 1.388，选择性族准确率在 95.3% 覆盖下达 96.9%。代价是提问数并未减少：成本敏感平均 9.795 问，比固定顺序的 9.352 多 0.443 问，预设的效率假设因此失败。另一个限制是即使族高置信，56.0% 的成本敏感高族置信病例细项仍错，族置信不能当细项置信用。
选择性准确率 × 覆盖率： 覆盖率是未弃答进入统计的病例比例，选择性准确率是在这些未弃答病例上的族准确率。两者必须配对看，高选择性准确率若覆盖率很低则意义不同，本研究用 0.65 置信阈值和 0.60 弃答阈值冻结后报告，例如成本敏感策略在 95.3% 覆盖下选择性族准确率为 96.9%。
压力测试与六项冻结检验
压力测试每次相对名义成本敏感改变一个声明接口。缺答案和冻结缺音频路由造成中度下降，矛盾答案造成更大的校准和分辨损失。去掉回答似然信息则退回被动先验且因低信息停止追问，提问数为 0。细项似然行置换把族准确率降到 78.7%、细项到 20.3%、选择性族到 82.5%，族期望校准误差升到 8.6%，是 tested 合成压力中退化最大的一项，但它只置换细项回答似然矩阵的行，不是任意知识核心破坏。
下两表分别报告压力数值与冻结检验 verdict。表前说明比较问题：压力表看同一策略在缺失、矛盾、缺模态和知识映射错位下的稳健性；检验表区分经验性病例检验与软件不变式，指标与上节一致。
| Condition | Family acc. | Fine acc. | Questions | Coverage | Sel. family acc. |
|---|---|---|---|---|---|
| (%) | (%) | mean | (%) | (%) | |
| Nominal cost-EIG | 95.5 | 42.5 | 9.795 | 95.3 | 96.9 |
| Missing answers | 93.8 | 38.2 | 10.322 | 96.2 | 96.0 |
| Contradictory answers | 91.2 | 32.8 | 9.645 | 94.3 | 93.6 |
| Missing audio route | 94.0 | 41.2 | 10.268 | 92.7 | 96.0 |
| Likelihood absent | 87.0 | 22.3 | 0.000 | 87.7 | 92.2 |
| Term-map permutation | 78.7 | 20.3 | 6.455 | 89.7 | 82.5 |
| Answer model misspec. | 93.0 | 41.5 | 4.410 | 94.2 | 95.6 |
压力表后解释：缺音频路由保留 94.0% 族准确率，支持显式路由的价值；回答模型误设下提问数降到 4.410 但族仍 93.0%，说明停止规则会提前截断；全客观缺失不在表中，因为它按工作流不变式在追问前弃答，不是病例导出的经验率。检验表把客观族准确率、成本敏感族准确率、相对 tested 固定的细项增益、缺音频族准确率判为通过，提问效率判为失败，安全到后验防火墙只在开发集成测试演练，不计入六项冻结检验。
| Check | Evidence source | Verdict | Interpretation |
|---|---|---|---|
| Objective-inference family accuracy | 600 confirmation cases | Pass | Empirical |
| Question-count efficiency | 600 confirmation cases | Fail | Empirical |
| Missing-audio family accuracy | Routed confirmation cases | Pass | Empirical |
| All objective inputs missing | Evaluator workflow guard | Pass | Invariant |
| Safety-to-posterior firewall | Development integration tests | N/A | Invariant |
综合看，可靠结论是被动多模态先验与结构化追问层可以分模块评价，粗到细有可测增益且失败可归因；不可靠的读法是成本敏感全面占优或提问最少，tested 固定顺序仍是按个数最便宜的，成本项只改变自适应策略间的权衡，未建立全局负担最优。
结论在什么条件下才成立
全部病例、模态、答案和标签是合成且共享设计因果结构，可能高估跨模态一致性，准确率不能外推临床。33 项和 8 族是内部冻结研究标签，未经外部专家裁决，部分细区分可能近同义或在 25 问契约下欠定。一次性确认只有一个合成划分一种子，无配对置信区间、重采样、外部生成器或前瞻队列，停止和弃答阈值主要为族端点校准，不应复用为细项确定性阈值。
基线公平性不完整：固定顺序未在训练开发上优化，也未在每个等提问预算下评价，共用低信息停止会提前终止而错过后面固定问题；报告的是提问数而非累计声明成本，缺全问题上界、独立生成器种子和参数漂移环境，这些缺口同时限制自适应主张和成本敏感主张。确认也未隔离客观多模态个性化的因果贡献，族单独先验、无共享轴、均匀先验和 oracle 族先验消融未冻结，开发集首问改变 8.5% 只能证明个性化能改变行为，不能证明终点增益来自丰富多模态表示。
脉辅助模型未迁移，最终模型未在等预算下对比全张量与降维投影，音频未用真实录音验证，无自然人专家评审本体、脉映射和问题契约，没有自由文本和语言模型实现，语言边界只是架构契约。
复现第一步与开发基线数字
复现应从合成生成器和冻结配置开始，而不是从调模型开始。先用发布哈希核对开发协议、确认计划、模型产物、知识核心输入和确认输出，确认 600 例访问标记已消耗且禁止重跑；再跑声明的 69 项验证套件作为可复现门槛。本篇未发现来源绑定且完成验证的资源，不得声称代码模型数据已公开，第三方链接只证明论文提到该链接，可用性以实际可达为准。
下表整理开发阶段基线以便对照实现是否走偏。表前说明比较问题：开发完整输入下的客观校准与追问起点是否为后续确认的可比起点，指标方向同前。
| 条件 | 族准确率 | 细项准确率 | 平均提问数 | 负对数似然 | Brier 分数 | 期望校准误差 |
|---|---|---|---|---|---|---|
| 丢弃训练完整模型开发完整输入 | 89.2% | 未报告 | 未报告 | 0.288 | 0.160 | 0.039 |
| 成本敏感开发数据 | 95.3% | 43.8% | 9.65 | 未报告 | 未报告 | 未报告 |
表后解释与复现动作。开发完整模型在完整输入上族准确率 89.2% 且校准误差较低，但直接缺音频表现未过注册门，这正是冻结可用性路由的动机，而不是未注册重训的理由。开发成本敏感已达 95.3% 族和 43.8% 细项，确认族 95.5% 细项 42.5% 与之接近，说明确认不是调参后的跳变。若复现得到脉单独开发准确率仍高达 94.2% 左右，应怀疑族模板捷径未去除，需检查重叠控制和注册扰动增强是否生效。注册的下一步应在新确认划分上补开发优化静态顺序、0 到 12 问的固定长度预算、准确率问数与准确率累计成本曲线、全问上界、多种先验消融和独立种子，并保留病例级预测、完整轨迹和累计成本以支持配对检验。
什么时候值得尝试与还缺什么验证
当问题有负担、答案可缺失或矛盾、引导获取的知识本身可错，且需要分清谁的责任时，这套可审计分层值得参考：客观先验、回答模型、选择策略、安全防火墙和停止弃答各有接口和哈希，失败可以定位到似然行置换、缺模态或矛盾答案。原脉冲 shortcut 审计也是可借鉴的实践，先用简单探针暴露捷径，再用重叠控制和扰动修复后冻结评价。
还缺的验证很明确：等预算与等成本下的优化静态基线、全问题上界、多先验消融、独立生成器与参数漂移、病例级配对统计、真实录音与专家评审、语言实现与抽取不确定性传播。在这些补齐前，合适的结论很窄：系统支持可审计的合成粗到细推断与失败分解，不支持临床诊断、治疗指导、通用提问效率优越、优化静态基线优越或语言模型优越。误把族置信当细项置信、把提问数少于无惩罚增益当总成本最优、把 tested 固定顺序的胜利推广到所有静态问卷，都是本文明确拒绝的读法。
📎 论文与评分元数据
排名：前50% | 文档类型：系统技术报告 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses