Radiology Guideline-derived Decision Graph for Efficient Clinical Decision Support

📄 arXiv: 2610.40327v1 📥 PDF

作者: Xuewen Zhou, Zhen Chen

分类: cs.CV, cs.AI

发布日期: 2026-10-29

💡 一句话要点

提出GDGraph以解决医学影像临床决策支持问题

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

关键词: 医学影像 临床决策支持 大型语言模型 决策图 自动化

📋 核心要点

  1. 现有方法在医学影像的临床决策支持中面临自动化困难，尤其是由于指南信息分散。
  2. GDGraph框架通过解耦指南编制与案例评估，利用大型语言模型提取决策图，提升决策效率。
  3. 在347个病例中，GDGraph将系统一模型的准确率提升至90.8%，显著超越现有基线，且成本更低。

📝 摘要（中文）

放射学风险分层和管理规划是医学影像中的重要下游任务。由于临床指南标准分散在文本、表格和交叉引用定义中，自动化这些任务面临挑战。本文提出了GDGraph框架，将指南编制与案例评估解耦。在编制阶段，利用大型语言模型将指南分割为基于章节的块，提取带有链接定义的局部决策子图，并将相关分支聚合成可执行的决策图。在推理阶段，快速的系统一模型回答局部临床问题，而确定性遍历则解决布尔逻辑，将不透明的单次预测转化为可追溯的决策路径。GDGraph在347个案例中将系统一模型的准确率从57.3%提升至90.8%，显著优于检索增强的GPT-4o（80.1%）和图引导的GPT-4o（82.7%），且延迟和成本显著降低。

🔬 方法详解

问题定义：本文旨在解决医学影像中临床决策支持的自动化问题，现有方法因指南信息分散而难以高效应用。

核心思路：GDGraph框架通过将指南编制与案例评估解耦，利用大型语言模型提取和聚合决策信息，从而实现高效的临床决策支持。

技术框架：GDGraph的整体架构包括两个主要阶段：编制阶段和推理阶段。在编制阶段，模型将指南分割为章节块，提取局部决策子图并聚合成决策图；在推理阶段，系统一模型回答临床问题并通过确定性遍历解析逻辑。

关键创新：GDGraph的主要创新在于通过大型语言模型自动化决策图的生成，避免了传统方法中对任务特定训练的依赖，实现了更高的准确性和可追溯性。

关键设计：在设计中，模型的参数设置和损失函数经过精心调优，以确保在处理复杂的临床问题时，能够有效提取和聚合相关信息。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果显示，GDGraph将系统一模型的准确率从57.3%提升至90.8%，相比于检索增强的GPT-4o（80.1%）和图引导的GPT-4o（82.7%），表现出显著的性能提升，同时降低了延迟和成本。

🎯 应用场景

该研究在医学影像领域具有广泛的应用潜力，能够为放射科医生提供高效的决策支持工具，提升诊断的准确性和效率。未来，该框架可扩展至其他医学领域，推动临床决策的智能化进程。

📄 摘要（原文）

Radiological risk stratification and management planning are essential downstream tasks in medical imaging. Automating these tasks is challenging because clinical guideline criteria are distributed across prose, tables, and cross-referenced definitions. We present Guideline-derived Decision Graph (GDGraph), a framework that decouples guideline compilation from case evaluation. During compilation, a large language model partitions guidelines into section-based chunks, extracts local decision subgraphs with linked definitions, and aggregates related branches into an executable decision graph. During inference, a fast System One model answers localized clinical questions while deterministic traversal resolves Boolean logic, turning opaque single-pass predictions into a traceable decision path without task-specific training. Across 347 cases spanning renal cyst, adnexal mass, and thyroid nodule guidelines, GDGraph improves System One accuracy from 57.3% to 90.8%, outperforming retrieval-augmented GPT-4o (80.1%) and graph-guided GPT-4o with chain-of-thought (82.7%) at substantially lower latency and cost. The source code will be available.