SymptomWise：信頼性と効率性を高める決定論的推論レイヤー

要旨: AI駆動の症状分析システムは、信頼性、解釈可能性、そして幻覚（ハルシネーション）に関して継続的な課題に直面している。エンドツーエンドの生成的アプローチは、多くの場合トレーサビリティを欠き、安全性が極めて重要な状況では、裏付けのない、または一貫性のない診断出力を生成しうる。私たちは、言語理解と診断推論を分離する枠組みであるSymptomWiseを提示する。このシステムは、専門家が厳選した医療知識、決定論的なコデックス駆動の推論、そして大規模言語モデルの利用を制約した形で組み合わせる。自由記述入力を検証済みの症状表現へと対応づけ、その後、有限の仮説空間上で動作する決定論的推論モジュールによって評価し、順位付けされた鑑別診断を生成する。言語モデルは、診断推論のためではなく、症状抽出および任意の説明にのみ用いられる。このアーキテクチャにより、トレーサビリティが向上し、裏付けのない結論が減少し、システム構成要素のモジュール別評価が可能になる。専門家が執筆した難度の高い小児神経学症例42件での予備評価では、臨床医のコンセンサスとの間に意味のある一致が見られ、正しい診断が全症例の88%で上位5つの鑑別診断に含まれていた。医学分野を超えて、この枠組みは他のアブダクティブ（仮説形成）推論領域へと一般化でき、基盤モデルに対する決定論的な構造化およびルーティング層として機能しうる。さらに、精度の向上と、境界が定められたタスクにおける不要な計算オーバーヘッドの削減につながる可能性がある。