一个针对神经退行性痴呆的可解释诊断框架，通过强化优化的LLM推理实现

神经退行性痴呆症的鉴别诊断是一项具有挑战性的临床任务，这主要是因为症状表现存在重叠以及结构性神经影像学中观察到的模式相似。为了提高诊断效率和准确性，已有人提出了基于深度学习的方法，例如卷积神经网络和视觉 Transformer，用于脑部 MRI 的自动分类。然而，尽管这些模型具有很强的预测性能，但由于其决策过程不透明，其临床实用性有限。在这项工作中，我们提出了一个整合了两个核心组件的框架，以增强诊断透明度。首先，我们引入了一个模块化流程，用于将 3D T1 加权脑部 MRI 转换为文本放射学报告。其次，我们探索了现代大型语言模型（LLMs）的潜力，基于生成的报告辅助临床医生进行额颞叶痴呆亚型、阿尔茨海默病和正常衰老之间的鉴别诊断。为了弥合预测准确性和可解释性之间的差距，我们采用强化学习来激励 LLMs 中的诊断推理。我们的方法无需监督推理轨迹或从大型模型中进行蒸馏，即可使基于神经影像学发现的结构化诊断推理过程涌现出来。与回顾性地解释模型决策的后验可解释性方法不同，我们的框架将诊断推理作为推理过程的一部分生成——产生具有因果依据的解释，这些解释能够指导模型的决策过程。通过这样做，我们的框架在诊断性能上与现有深度学习方法相匹配，同时提供了支持其诊断结论的推理。