ATLAS：图策略蒸馏破解多病共存用药难题，严格成功率提升53.7分
Coupled Graph--Policy Distillation for Personalized Medication Safety in Older Adults with Multimorbidity
给患有多种慢性病的老年人调整处方，是临床医疗中风险极高、决策链条极其复杂的场景。许多老年患者常年罹患高血压、糖尿病、骨关节炎甚至心功能不全，正在服用的药物动辄四五种。当患者因为突发疼痛或睡眠障碍向医生或 AI 咨询时，往往只会告知当下的核心不适，很少会主动完整汇报所有的既往病史、肝肾功能指标以及正在服用的药物。此时，通用的黑盒大语言模型习惯于依据患者的第一句输入“单刀直入”地给出推荐方案，而这种基于残缺信息的决策，极容易掩盖严重甚至致命的药物禁忌与相互作用。
ArXiv URL：https://arxiv.org/abs/2608.09443v1
来自华中科技大学、南方医科大学、香港科技大学、新南威尔士大学与浙江大学的研究团队，针对这一严峻临床痛点提出了名为 ATLAS 的框架。该方法跳出了“单次生成解答”的传统交互套路，将临床指南图谱与多智能体策略深度耦合，提出图-策略联合蒸馏（Coupled Graph–Policy Distillation）机制。面对信息缺失的患者输入，ATLAS 并不盲目下诊断，而是基于动态演化的患者专属用药冲突图（Patient-Specific Medication Conflict Graph, PMCG）展开靶向追问，在补齐关键安全事实后，以“风险优先”策略完成用药审计与处方替代。
该研究同时推出了首个强调主动信息采集与动态决策修正的交互式评测基准 GeriMedBench。在欧洲多病共存基准测试中，ATLAS 在严格成功率（Strict Success Rate）上相较表现最好的商业大模型基线高出 53.73 个百分点，整体用药安全推理得分（OSRS）提升 14.63 分，并在自动化审计下实现了零不安全推荐。在三位资深临床医生参与的双盲评估中，ATLAS 在临床正确性、安全性、完整性等全部五项临床维度上均获得优于商业模型的平均评分。这项工作表明，在极度要求严谨的高风险医疗场景中，用符号化的知识图谱约束与结构化的追问策略规范大模型的推理路径，是实现可靠临床决策支持的可行方向。
盲目开药与单轮问答：老年多病共存的隐匿陷阱
老年多病共存患者的用药安全逻辑，绝非简单的“见招拆招”。许多临床指南中推荐的一线用药，在遇到特定合并症时往往会瞬间转化为绝对禁忌。例如，在处理非特异性骨关节炎疼痛时，非甾体抗炎药（NSAIDs）是常见的首选药物，但若患者隐瞒了慢性肾功能不全、消化道溃疡病史，或是正在服用抗凝药物，贸然开具 NSAIDs 就可能引发严重的上消化道出血或肾功能急性衰竭。
传统药物推荐模型（如 SafeDrug、MoleRec 或各类图神经网络方法）多依赖分子结构、固定的药物相互作用（DDI）知识库以及完整的电子病历快照展开单次静态预测。这些模型默认输入信息是封闭且完备的，但在真实的门诊间歇期或线上咨询场景中，患者提交的原始输入天然是高度残缺的。
如果直接调用主流商业大语言模型，系统往往倾向于满足用户的即时表达，从当前症状出发给出看似符合医学常规、语言流畅，实则潜藏致命风险的推荐方案。这类系统不仅难以敏锐察觉“尚未披露但对决策至关重要的隐性病史”，更缺乏在获得新线索后全盘推翻或修正已有决策的严密机制。医学决策支持系统面对老年共病患者，首要原则不是给出药名，而是先筛查风险，在关键临床拼图未补全之前，坚决守住安全的闸门。
靶向追问与图谱蒸馏：ATLAS 的三层智能体架构
为了在非完备信息下实现可靠的决策演进，ATLAS 将用药咨询解构为一个基于循证医学的动态推理循环。系统在宏观上并不依靠庞大的通用大模型做不可控的端到端生成，而是构建了涵盖三层功能体系的专用多智能体架构，并在其间通过黑板机制共享患者状态、图谱更新与决策修正记录。
整个系统的运作基石是结构化的患者状态表征。在对话轮次 $t$ 时，系统维护一个五元组状态 $s_t=(D_t, M_t, A_t, R_t, C_t)$，分别精确对应确诊疾病、当前用药、药物过敏史、老年特定风险因素（如跌倒风险、认知障碍或虚弱状态）以及临床禁忌条件。基于这套状态，ATLAS 的三层智能体各司其职展开协作：
底层是协调与上下文感知层（Orchestration and Context Layer），由统一调度器与临床状态对齐器（Clinical State Grounder）组成。对齐器不仅负责对患者口语化表述进行实体归一化、同义词对齐与否定语义识别，还负责在多轮交互中解析患者增量反馈的不确定性。中间层是图谱个性化与安全审计层（Graph Personalization and Safety Audit Layer），部署了药物冲突审计器与老年风险审计器。顶层则是决策综合与验证层（Decision Synthesis and Verification Layer），涵盖替代药物选择、方案修订、循证溯源验证器（Trace Verifier）以及最终的安全门控（Safety Gate）。
在技术实现上，ATLAS 最关键的突破在于“图分支”与“策略分支”的紧密耦合。初始阶段，系统接入覆盖药物、适应症、禁忌症、警示级别与循证等级的全量指南图谱 $G^{\mathrm{g}}$。但全量图谱极为庞杂，无法直接指导单体患者的用药。因此，ATLAS 会根据当前采集到的患者部分状态 $s_t$，执行图谱剪枝与个性化提炼，生成患者专属用药冲突图 $G^{\mathrm{p}}_{t}$（即 PMCG）。
在生成 PMCG 的过程中，指南中的关联关系被划分为三类：与当前状态完全吻合的“激活关系”、明显不适用的“剔除关系”，以及依赖于未知患者信息的“未决关系（Unresolved Relations）”。这些未决关系的存在，直接定义了当前系统的认知盲区。ATLAS 绝不漫无边际地做发散性问诊，而是完全由 PMCG 中未决的安全性依赖关系反向驱动追问生成。每次用户回复后，系统利用状态更新函数更新局部事实，并重新提炼 PMCG：
\[s_{t+1}=s_{t}\oplus\Phi(q_{t},a_{t})\] \[G^{\mathrm{p}}_{t+1}=\mathcal{P}(G^{\mathrm{g}};g,s_{t+1})\]这种机制保证了每一次发问都直指“能否改变当前用药决定”的核心线索。一旦图谱中不存在能颠覆用药安全性的未决依赖，或者追问预算耗尽，系统便平滑终止问询，进入决策定型阶段。值得注意的是，ATLAS 在最终推理部署时摆脱了对外部超大模型的实时调用，而是通过策略蒸馏将这一套图推理逻辑内化在各层代理的确定性执行流中，兼顾了推理效率与可解释性。
风险优先逻辑与闭环安全门控
在有了精炼的 PMCG 之后，如何综合给出一份稳健的用药方案是考验系统的核心环节。通用语言模型往往以“疗效偏好”为主导，即优先推荐疗效最佳的药物，随后附带几句笼统的注意事项。ATLAS 则彻底颠覆了这种次序，在决策综合层固化了严格的“风险优先（Risk-First）”策略。
系统将最终的用药建议解构为四大互斥且协同的模块：推荐清单 $M_{\mathrm{rec}}$、规避清单 $M_{\mathrm{avoid}}$、警示监护清单 $M_{\mathrm{caution}}$ 以及替代候选清单 $M_{\mathrm{alt}}$。
当审计层介入时，药物冲突审计器优先对 PMCG 中的绝对禁忌与药物相互作用进行全盘过滤，任何触碰禁忌红线的候选药物必须被无条件剔除，并强制压入 $M_{\mathrm{avoid}}$。老年风险审计器紧随其后，评估增龄相关的药代动力学改变、肾功能衰退风险及跌倒诱发倾向，划定必须实施严密生化指标监测的 $M_{\mathrm{caution}}$ 清单。只有通过这两道关卡的药物，才允许进入 $M_{\mathrm{rec}}$ 的筛选视野。
当原本计划推荐的一线药物因冲突被转入规避清单后，替代药物智能体（Alternative Agent）会立即在 PMCG 的循证路径指引下检索具备相同治疗目标且无潜在冲突的次优或辅助药物。
随后，方案修订智能体按照“规避优先于警示，警示优先于推荐”的严苛优先级处理各清单之间的边界重叠。为确保临床可靠性，ATLAS 设立了两道出口防线：循证溯源验证器负责检查推荐方案中的每一条临床主张是否能在当前的 PMCG 及其指南源中找到闭环的证据链路径；安全门控（Safety Gate）则作为硬性拦截器，核查整个方案在组件一致性与未决冲突上的逻辑合规性。一旦安全门控拦截到潜在矛盾，该决策会被强制打回修订层重新推演，直至完全通过。
GeriMedBench 与三大基准测试下的性能跨越
为了严密检验智能体在信息非完备状态下的主动侦测与决策修订能力，研究团队构建了交互式基准评测环境 GeriMedBench。在以往的静态数据集中，系统接收的都是现成的标准病历；而 GeriMedBench 则为每个测试用例设定了初始公开状态、隐藏的关键安全事实（Hidden Safety-critical Facts）以及支持交互的环境模拟器。被测系统必须在受限的对话轮次内，敏锐地识别盲区、抛出有效问题、吸收反馈并修正方案。
研究人员在三大不同地域和维度的基准上展开了系统性评测：欧洲非交互式多病共存基准、亚洲交互式多病共存基准（GeriMedBench）以及包含 612 个案例的跨地域单病泛化测试集。参与对比的基线覆盖了开源与前沿商业大模型，包括 Mistral-Small-3.2-24B、Qwen3-30B-A3B、DeepSeek-R1-Distill-Qwen-32B、MedGemma-27B-Text，以及闭源的 GPT-5、Claude Opus 4.6 与 Gemini 3.1 Pro Preview，同时引入了知识检索增强方案（Llama-3.3-70B 结合 BM25 及 RotatE）与多智能体医疗框架 MDAgents。
评测指标方面，研究团队定义了极为严苛的“严格成功率（Strict Success Rate）”。该指标要求系统在单个病例上，推荐、规避、警示、替代四大模块的预测必须同时与临床黄金标准完全吻合，且必须通过溯源校验且不包含任何不安全成分，其计算形式如下：
\[\text{Strict Success Rate} =\frac{1}{N}\sum_{i=1}^{N}\mathbb{I}\!\left[C_{\mathrm{rec},i}=C_{\mathrm{avoid},i}=C_{\mathrm{caution},i}=C_{\mathrm{alt},i}=C_{\mathrm{unsafe},i}=C_{\mathrm{trace},i}=1\right]\]同时，研究团队提出了加权综合安全推理得分（OSRS），赋予漏报代价极大的规避召回率（$R_{\mathrm{avoid}}$）最高权重（0.25），并结合推荐召回（0.20）、警示召回（0.15）、替代召回（0.15）、证据溯源率 $T$（0.15）与非不安全率 $1-U$（0.10）进行综合打分：
\[\mathrm{OSRS}=0.25R_{\mathrm{avoid}}+0.20R_{\mathrm{rec}}+0.15R_{\mathrm{caution}}+0.15R_{\mathrm{alt}}+0.15T+0.10(1-U)\]在欧洲非交互式多病共存基准测试中，ATLAS 展现出了压倒性的安全推理精度。系统取得了 92.04% 的严格成功率和 97.21 的 OSRS 综合评分。相比于表现最好的商业通用模型基线，ATLAS 在严格成功率上大幅领先 53.73 个百分点，OSRS 提升 14.63 分。更为关键的是，在自动化评估体系的监控下，ATLAS 的不安全推荐率为 0%。横向对比显示，虽然个别强大的通用大模型在孤立的推荐或警示单项召回率上能取得不错表现，但一旦要求在全维度决策上做到毫无疏漏的“联合正确”，通用模型就会在多重用药依赖的复杂排列组合中频繁出错。
消融实验进一步剖析了 ATLAS 内部安全机制的实际贡献。研究数据表明，图谱与策略的每个组件都支撑着不同维度的防线：
-
若剔除 PMCG 的个性化提炼机制，系统的严格成功率瞬间从 92.04% 暴跌至 19.90%，OSRS 降至 48.78，不安全推荐率飙升至 51.74%；
-
若停用老年风险审计器，系统对警示监护药物识别的 $M_{\mathrm{caution}}$ F1 值大幅滑落至 40.30%；
-
若剥离药物冲突审计器，$M_{\mathrm{avoid}}$ 召回率直接下降到 69.15%，同时不安全推荐率激增至 30.85%；
-
若直接移除末端的安全门控（Safety Gate），严格成功率将从 92.04% 降至 26.87%，系统不安全率直接反弹至 26.87%。
这些消融数据强有力地证明，任何单一维度的提示词工程或非结构化问答，都不足以防御共病用药的潜在风险，必须依靠硬性的结构约束与分层审计机制。
而在亚洲跨地区单病指南泛化数据集（$N=612$）的检验中，ATLAS 同样录得了 94.12% 的严格成功率，超出前沿商业模型 Gemini 3.1 Pro Preview 约 1.52 个百分点，并在 OSRS 上稳定达到 97.55。这表明该框架在摆脱复杂共病交织、回归常规专病用药场景时，依然能够保持稳健的指南对齐能力，未出现过拟合复杂图谱而导致基础能力退化的问题。
交互环境中的真实挑战与盲审实测
尽管在非交互的完备信息测试集上斩获了极高分数，但 GeriMedBench 的交互评测暴露出了当前自动化系统依然存在的深层短板。在面对动态追问与逐步释放的隐性信息时，ATLAS 虽然在所有参评模型中表现最佳，但其方案修订准确率（Revision Accuracy）为 44.17%，最终严格成功率（Final Strict）为 23.68%，整体智能体 OSRS 得分为 64.09。
这一结果反映出动态用药咨询的技术难度：在连续多轮交互中，系统不仅要从极其隐晦的患者线索中判断“该问什么”，还要在收到简短回答后准确更新五元组状态，并回溯推翻此前可能已经形成的初步判断。一旦某一轮的状态抽取发生微小漂移，误差就会在后续的图更新中被级联放大。尽管最终的严格成功率留有显著提升空间，但 ATLAS 在整个交互测试中依然维持了 0% 的自动化不安全率，并且证据链一致性达到了 85.53%，大幅领先于对比系统。
为跳出算法自身的评价体系，研究团队设计了一项严格的双盲临床专家评审。三位拥有丰富经验的临床医生，在完全抹去模型名称与自动化分数的盲审环境下，对随机抽取的 40 个案例（20 例来自西方多病数据集，20 例来自 GeriMedBench）展开独立审查。每位医生需对 ATLAS 与 Gemini 3.1 Pro Preview 生成的方案进行成对对照打分，维度涵盖临床正确性、用药安全性、决策完整性、临床可操作性与循证一致性。
在五分制量表上，ATLAS 在全部五项临床指标的平均得分上均超越了商业基线模型。在基于多数票判定的案例偏好统计中，医生团队在 28 个案例中明确判定 ATLAS 的决策更优，仅在 5 个案例中倾向于 Gemini，另有 7 个案例判定二者打平。在极为敏感的潜在不安全案例排查中，评审医生最终在 Gemini 的输出中标记出 2 例潜在用药安全隐患，而在 ATLAS 的输出中仅标记出 1 例。医生特别肯定了 ATLAS 产出的报告结构——明确区分规避药物、警示监测指标与对等替代药物的设计，大幅降低了主治医生的认知复核负荷，体现出了高水平的临床可用性。
迈向真正可信的临床决策辅助
从技术演进脉络来看，ATLAS 的核心价值在于厘清了通用智能与高可靠专业系统之间的能力边界。大语言模型具备极强的自然语言理解和通用常识推断能力，但将其直接作为高风险医疗决策的终端执行者，存在着无法根除的幻觉和不可控的遗漏风险。
ATLAS 证明了一种行之有效的路线：用医学指南构建先验图谱，用基于图谱未决关系的符号逻辑牢牢锁定制导提问与审计的决策分支，将大模型的能力限定在局部状态抽取与上下文理解中。这种图策略蒸馏架构让推理路径的每一步都有据可查，使得系统的最终决策能够通过严格的图路径与指南原文进行溯源校验。
当然，正如论文作者在局限性讨论中所审慎指出的，当前基准测试依然建立在基于指南的合成病例与受限候选药物空间内，距离真实世界中充满口语化干扰、非药物疗法交织、患者依从性动态变化的复杂就医场景仍有一定距离。小规模的双盲医生评估虽证实了其输出方案的质量，但也远不能直接等同于临床前瞻性试验的有效性验证。
在人口老龄化与多病共存愈发普遍的当下，如何保障门诊之外、日常看护中的用药安全是全球医疗系统共同面对的难题。ATLAS 凭借“结构化状态表征、图谱个性化蒸馏、靶向问询补全、风险优先过滤”的闭环设计，为这一难题提供了一个严密而具有极高工程参考价值的解题范式。它不是试图用 AI 替代医生，而是通过在算法底层编织一张不可逾越的安全网，让机器在辅助用药决策时真正学会“知之为知之，不知则靶向问之”，在守住生命底线的前提下释放智能化辅助的临床价值。