让LLM像自然选择一样进化医疗决策：MAP-Elites的医学实验

医疗AI有一个尴尬的现实：让LLM做医疗决策，效果往往不如精心设计的手工流程。微调太贵，提示工程太依赖经验，而且换个场景就得重来。

Sber AI Lab和AIRI的研究团队提出了一个大胆的想法：为什么不让人工进化来做这件事？

自然选择的启示

在自然界中，进化不需要"理解"为什么长颈鹿的脖子长——它只需要让脖子长的个体活下来、生更多后代。经过足够多的世代，最优解自然涌现。

MAP-Elites是进化计算中的一种质量-多样性算法。和传统优化只找"最优解"不同，MAP-Elites维护一个"档案"（archive），保存各种不同行为特征的高性能候选方案。就像自然选择不只保留一种生存策略——有的物种跑得快，有的会伪装，有的能耐毒——MAP-Elites也保留多种不同风格的解决方案。

研究者把LLM和MAP-Elites结合了起来：LLM作为"变异算子"（就像基因突变），负责改写和优化候选程序；任务评估器作为"选择压力"（就像环境筛选），负责打分和淘汰。

整个过程中，LLM的参数完全不动——它只是一个"变异工具"，不需要微调。

三个医疗场景

研究者在三个截然不同的医疗决策场景上测试了这个框架：

1. 紧急分诊（Triage）：判断患者应该去急诊、普通门诊还是自我护理。关键指标是急诊召回率——漏掉一个急诊病人可能致命。

2. 交互式问诊（Interactive Consultation）：AI医生通过逐步提问收集信息，最终给出诊断。挑战在于用最少的问题达到最准确的判断。

3. 医学图像分类（Medical Image Classification）：对X光片等医学图像进行诊断。这里进化的是视觉提示（visual prompt），而不是文本。

进化的力量

结果令人印象深刻。

在紧急分诊任务上，进化出的最优程序SG-c1189达到了87.1%的准确率，比手工设计的基线高出9.8个百分点。更关键的是，急诊召回率从0.60飙升到0.97——这意味着基线程序会漏掉40%的急诊病人，而进化程序只漏掉3%。

这个87.1%的成绩甚至超过了GPT-4o（69.3%）、o1（73.3%）、o3（75.6%）和o4-mini（80.4%），仅次于人类医生（91.0%）。

在交互式问诊任务上，进化出的策略展现出了"选择性自洽"和"证据平衡假设探测"等高级行为——这些不是人类设计的，而是进化自己"发现"的。

在医学图像分类上，进化出的视觉提示让MedGemma-27B在PneumoniaMNIST上的准确率显著提升。

进化发现了什么

最有趣的部分是分析进化"发现"了什么策略。

在分诊任务中，进化程序学会了"安全偏向投票"——当信息不确定时，倾向于将患者分到更紧急的类别。这不是人类显式编程的规则，而是在进化压力下自然涌现的行为。

在问诊任务中，进化程序学会了"效用导向的问题选择"——不是随机提问，而是选择能最大程度减少不确定性的问题。这和人类医生的问诊策略惊人地相似。

在图像分类中，进化出的视觉提示包含了"结构化输出约束"——强制模型按照特定格式输出，减少幻觉。

跨模型迁移

一个意外的发现：在gpt-oss-120b上进化出的程序，不需要任何修改就能迁移到其他LLM上，而且性能几乎不降。这意味着进化发现的不是某个模型的"捷径"，而是某种通用的决策逻辑。

为什么这很重要

这篇论文的核心洞察是：与其让人手工设计医疗AI的决策流程，不如让进化来搜索。

传统的提示工程就像手工艺——一个经验丰富的工程师可能花几周调出一个好流程，但换个场景就得重来。MAP-Elites + LLM的方法更像工业化生产——设定好目标函数，让进化自动搜索，而且搜索到的是多样化的解决方案集合。

更重要的是，进化产生的策略是可解释的——它们是具体的程序代码，你可以读、可以审查、可以验证。这比一个黑箱神经网络的输出要安全得多。

当然，这离临床应用还很远。但这个方向暗示了一种可能的未来：医疗AI不是"训练出来的"，而是"进化出来的"——就像生命本身一样。

论文：LLM-Guided Evolution for Medical Decision Pipelines (arXiv: 2606.07342)
链接：https://arxiv.org/abs/2606.07342
代码：https://github.com/univanxx/llm_guided_evo_medical
作者：Ivan Sviridov, Artem Oskin, Ivan Panin, Iaroslav Bespalov, Dmitry Dylov, Ivan Oseledets, Aleksandr Nesterov (Sber AI Lab / AIRI)

#arXiv #论文精选 #医疗AI #MAP-Elites #进化计算 #LLM #分诊 #可解释AI